支持向量机及其在铁路工程中的应用研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-12页 |
| 第1章 绪论 | 第12-19页 |
| ·引言 | 第12-13页 |
| ·工程预测方法的研究现状 | 第13-15页 |
| ·支持向量机方法的发展及研究现状 | 第15-16页 |
| ·本文研究的目的和意义 | 第16-17页 |
| ·主要内容及技术路线 | 第17-19页 |
| 第2章 运量预测与投资估算的方法研究 | 第19-31页 |
| ·传统的运量预测方法 | 第19-21页 |
| ·时间序列预测法 | 第19-20页 |
| ·回归分析法 | 第20页 |
| ·灰色预测法 | 第20-21页 |
| ·指数平滑预测法 | 第21页 |
| ·投资估算的研究现状 | 第21-23页 |
| ·工程项目投资控制的现状 | 第21-22页 |
| ·选择支持向量机用于投资估算的原因 | 第22-23页 |
| ·人工神经网络的基本理论 | 第23-30页 |
| ·神经网络的特点 | 第23页 |
| ·人工神经网络模型 | 第23-26页 |
| ·BP网络理论 | 第26-28页 |
| ·径向基函数(RBF)神经网络理论 | 第28-29页 |
| ·神经网络存在的问题 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第3章 运量预测与投资估算的新方法—支持向量机 | 第31-54页 |
| ·统计学习理论的主要思想 | 第31-36页 |
| ·经验风险最小化原则 | 第32-33页 |
| ·VC维 | 第33页 |
| ·推广性的界 | 第33-34页 |
| ·结构风险最小化 | 第34-36页 |
| ·支持向量机分类(SVC) | 第36-42页 |
| ·最大间隔原则 | 第36-38页 |
| ·线性SVM | 第38-42页 |
| ·核函数 | 第42-44页 |
| ·构造和选择核函数 | 第42-43页 |
| ·核函数的作用及核参数的影响 | 第43页 |
| ·支持向量机中参数C的影响 | 第43-44页 |
| ·支持向量机回归理论(SVR) | 第44-53页 |
| ·损失函数 | 第45-46页 |
| ·ε-支持向量回归机 | 第46-49页 |
| ·非线性回归估计 | 第49-51页 |
| ·两种回归估计优化算法 | 第51-53页 |
| ·本章小结 | 第53-54页 |
| 第4章 支持向量机在铁路工程中的应用 | 第54-76页 |
| ·支持向量机在工程预测中的计算流程 | 第54-57页 |
| ·样本的采集与预处理 | 第55-56页 |
| ·参数选择 | 第56-57页 |
| ·模型评价方法 | 第57页 |
| ·基于SVM的铁路客运量预测模型研究 | 第57-66页 |
| ·实例准备 | 第57-59页 |
| ·BP神经网络预测模型 | 第59-64页 |
| ·SVM预测模型 | 第64-66页 |
| ·基于SVM的铁路工程投资估算模型研究 | 第66-73页 |
| ·实例准备 | 第66-70页 |
| ·RBF神经网络预测模型 | 第70-73页 |
| ·SVM网络模型 | 第73页 |
| ·神经网络与支持向量机仿真结果分析 | 第73-75页 |
| ·学习能力 | 第73-74页 |
| ·泛化能力 | 第74页 |
| ·收敛速度 | 第74页 |
| ·最优解 | 第74-75页 |
| ·小结 | 第75-76页 |
| 第5章 总结与展望 | 第76-78页 |
| ·论文总结 | 第76-77页 |
| ·研究展望 | 第77-78页 |
| 致谢 | 第78-79页 |
| 参考文献 | 第79-82页 |
| 攻读硕士学位期间发表的论文 | 第82页 |
