最小二乘支持向量机握钉力预测研究
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-15页 |
| ·课题背景 | 第8-9页 |
| ·预测的作用和方法 | 第9页 |
| ·人工神经网络预测 | 第9-10页 |
| ·支持向量机预测 | 第10-13页 |
| ·支持向量机在国内外的研究现状 | 第10-12页 |
| ·支持向量回归机的应用 | 第12页 |
| ·支持向量机的优势及存在的问题 | 第12-13页 |
| ·研究内容和组织结构 | 第13-15页 |
| 2 基于BP网络的握钉力预测 | 第15-23页 |
| ·前馈神经网络和BP算法 | 第15-18页 |
| ·前馈神经网络 | 第15-16页 |
| ·BP学习算法 | 第16页 |
| ·LM算法 | 第16-17页 |
| ·BP神经网络 | 第17-18页 |
| ·模压加工流程和样本处理 | 第18-19页 |
| ·模压加工流程 | 第18-19页 |
| ·样本处理 | 第19页 |
| ·BP网络预测模型 | 第19-21页 |
| ·建立BP网络预测模型 | 第19-20页 |
| ·实验结果 | 第20-21页 |
| ·本章小结 | 第21-23页 |
| 3 统计学习理论与支持向量机 | 第23-38页 |
| ·机器学习 | 第23-24页 |
| ·机器学习问题 | 第23-24页 |
| ·经验风险最小化原则 | 第24页 |
| ·统计学习理论 | 第24-27页 |
| ·经验风险最小化原则下统计学习一致性的条件 | 第25页 |
| ·VC维与推广性的界 | 第25-26页 |
| ·结构风险最小化原则 | 第26-27页 |
| ·支持向量机 | 第27-31页 |
| ·最优分类面和支持向量 | 第27-28页 |
| ·核函数 | 第28-29页 |
| ·支持向量机基本原理 | 第29-31页 |
| ·支持向量机的特点 | 第31页 |
| ·支持向量回归机 | 第31-33页 |
| ·常用的支持向量机算法 | 第33-36页 |
| ·ν-SVM算法 | 第33-34页 |
| ·FSVM算法 | 第34-35页 |
| ·LS-SVM算法 | 第35-36页 |
| ·常用的支持向量机算法比较 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 4 基于粒子群优化的支持向量机 | 第38-45页 |
| ·粒子群优化算法 | 第38-41页 |
| ·粒子群优化算法基本原理 | 第38页 |
| ·基本粒子群优化算法 | 第38-39页 |
| ·粒子群优化算法的特点 | 第39-40页 |
| ·基本粒子群算法的改进 | 第40-41页 |
| ·粒子群优化算法研究和应用 | 第41页 |
| ·支持向量机参数选择问题 | 第41-42页 |
| ·粒子群优化的支持向量回归机 | 第42-44页 |
| ·本章小结 | 第44-45页 |
| 5 基于SVM的换挡杆手柄握钉力预测 | 第45-51页 |
| ·SVM预测的步骤 | 第45页 |
| ·试凑法定参的SVM握钉力预测 | 第45-47页 |
| ·建立SVM回归模型 | 第45-46页 |
| ·实验及结果 | 第46-47页 |
| ·基于POS-SVM的握钉力预测 | 第47-49页 |
| ·基于POS-SVM的预测步骤 | 第47页 |
| ·实验及结果 | 第47-49页 |
| ·本章小结 | 第49-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 攻读学位期间发表的学术论文 | 第56-57页 |
| 致谢 | 第57-58页 |
