| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第1章 绪论 | 第10-14页 |
| ·课题背景 | 第10-11页 |
| ·国内外研究现状 | 第11页 |
| ·预测方法的分类 | 第11-13页 |
| ·传统数学模型方法 | 第11-12页 |
| ·人工智能方法 | 第12-13页 |
| ·统计学习理论方法 | 第13页 |
| ·论文主要研究内容 | 第13-14页 |
| 第2章 支持向量机理论概述 | 第14-29页 |
| ·机器学习的基本问题 | 第14-16页 |
| ·问题的表示 | 第15-16页 |
| ·经验风险最小化原则 | 第16页 |
| ·统计学习理论 | 第16-20页 |
| ·传统的机器学习方法的不足 | 第16-17页 |
| ·VC维 | 第17-18页 |
| ·推广性的界 | 第18页 |
| ·结构风险最小化 | 第18-20页 |
| ·支持向量机 | 第20-23页 |
| ·最优分类面 | 第20-22页 |
| ·广义最优分类面 | 第22-23页 |
| ·核函数 | 第23页 |
| ·支持向量回归算法 | 第23-26页 |
| ·函数回归仿真验证分析 | 第26-27页 |
| ·统计学习理论（SLT）和支持向量机(SVM)的优点 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 基于SVM的生理信号时间序列预测模型设计 | 第29-34页 |
| ·非线性动力学理论 | 第29页 |
| ·相空间重构理论 | 第29-30页 |
| ·非线性时间序列相空间重构延迟时间τ的确定 | 第30-31页 |
| ·基于SVM的时间序列预测建模的一般框架 | 第31-33页 |
| ·SVM预测器的拓扑结构 | 第32页 |
| ·预测模型 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 第4章 EOG信号时间序列预测仿真及结果分析 | 第34-43页 |
| ·生理信号概述 | 第34页 |
| ·实验环境及数据的获取 | 第34-35页 |
| ·EOG信号及其眨眼特性 | 第35-38页 |
| ·基于SVM的EOG信号预测模型设计 | 第38-40页 |
| ·预测结果评价尺度 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 第5章 基于SVM睡意评估时间序列预测仿真分析 | 第43-53页 |
| ·生理信号的睡意评估 | 第43-44页 |
| ·SVM的训练步骤和核函数的选取 | 第44-46页 |
| ·SVM的训练和预测流程 | 第44页 |
| ·顺序最小优化（SMO）算法 | 第44-45页 |
| ·核函数的确定和参数的选取 | 第45-46页 |
| ·仿真结果及分析 | 第46-52页 |
| ·单个测试者回归预测仿真结果及分析 | 第46-49页 |
| ·核函数参数及嵌入维数对回归预测的影响 | 第49-50页 |
| ·单个测试者多步预测结果及分析 | 第50页 |
| ·不同的测试环境下模型预测结果及分析 | 第50-52页 |
| ·本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 附录1 Fp06 预测数据表 | 第58-63页 |
| 附录2 撞击时间预测值与真实值对比表 | 第63-64页 |
| 附录3 Fp06 真实撞击数据表 | 第64-65页 |
| 附录4 四种停车振动带下睡眠评估预测数据 | 第65-69页 |
| 攻读学位期间发表的学术论文 | 第69-70页 |
| 哈尔滨工业大学硕士学位论文原创性声明 | 第70页 |
| 哈尔滨工业大学硕士学位论文使用授权书 | 第70页 |
| 哈尔滨工业大学硕士学位涉密论文管理 | 第70-71页 |
| 致谢 | 第71页 |