| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·课题背景及意义 | 第7-10页 |
| ·学习问题的描述 | 第7-9页 |
| ·经验风险最小化原则 | 第9页 |
| ·结构风险最小化原则 | 第9-10页 |
| ·支持向量机理论 | 第10页 |
| ·SVM 的研究现状 | 第10-12页 |
| ·支持向量机的理论研究现状 | 第11-12页 |
| ·支持向量机的应用研究现状 | 第12页 |
| ·论文的研究内容及安排 | 第12-13页 |
| 第二章 标准支持向量机算法介绍 | 第13-21页 |
| ·引言 | 第13页 |
| ·用于分类的SVM 算法 | 第13-15页 |
| ·用于回归的SVM 算法 | 第15-18页 |
| ·非线性SVM 算法 | 第18-20页 |
| ·SVM 属性分析 | 第20页 |
| ·本章小结 | 第20-21页 |
| 第三章 基于模糊核聚类的数据约简型支持向量机算法 | 第21-27页 |
| ·引言 | 第21页 |
| ·Mercer 核与模糊核聚类 | 第21-23页 |
| ·Mercer 核 | 第21-22页 |
| ·模糊核聚类算法 | 第22-23页 |
| ·基于模糊核聚类的数据约简型支持向量机算法 | 第23-24页 |
| ·仿真实验 | 第24-26页 |
| ·本章小结 | 第26-27页 |
| 第四章 基于改进 Adaboost 的支持向量回归集成算法 | 第27-32页 |
| ·引言 | 第27页 |
| ·Adaboost 算法原理 | 第27-28页 |
| ·改进的 Adaboost 的ε不敏感支持向量回归算法 | 第28-29页 |
| ·仿真实验 | 第29-31页 |
| ·一维函数仿真 | 第29-30页 |
| ·AdaSVR 在双酚A 软测量中的应用 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第五章 基于核路径算法的支持向量回归机参数选择 | 第32-39页 |
| ·引言 | 第32页 |
| ·核参数路径算法 | 第32-36页 |
| ·支持向量回归机中的问题描述 | 第32-34页 |
| ·支持向量回归机中的核路径算法 | 第34-36页 |
| ·仿真实验 | 第36-38页 |
| ·一维函数仿真 | 第36-37页 |
| ·核路径算法在双酚A 软测量中的应用 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第六章 总结与展望 | 第39-41页 |
| ·本文的工作总结 | 第39页 |
| ·今后工作展望 | 第39-41页 |
| 致谢 | 第41-42页 |
| 参考文献 | 第42-46页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第46页 |