| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-16页 |
| ·机器学习理论与发展现状 | 第8-9页 |
| ·基于机器学习的预测方法 | 第9-10页 |
| ·最小二乘支持向量机研究现状 | 第10-14页 |
| ·本文的研究工作和结构 | 第14-16页 |
| 第二章 最小二乘支持向量机理论研究 | 第16-26页 |
| ·统计学习理论 | 第16-19页 |
| ·机器学习的一般表示 | 第16页 |
| ·统计学习理论核心思想 | 第16-19页 |
| ·最小二乘支持向量机 | 第19-23页 |
| ·支持向量机回归预测 | 第20-21页 |
| ·最小二乘支持向量机回归预测 | 第21-23页 |
| ·LS-SVM 模型选择方法 | 第23-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 基于 CSA 优化的 LS-SVM 车轮踏面磨耗量预测 | 第26-37页 |
| ·概述 | 第26页 |
| ·耦合模拟退火算法 | 第26-29页 |
| ·模拟退火算法及其改进 | 第26-28页 |
| ·接受温度规则的改进 | 第28-29页 |
| ·实验设计与分析 | 第29-36页 |
| ·列车车轮磨耗研究现状 | 第29-30页 |
| ·车轮实际检测数据的分析和处理 | 第30-32页 |
| ·CSA 优化的 LS-SVM 模型在车轮踏面磨耗预测中的应用 | 第32-36页 |
| ·本章小结 | 第36-37页 |
| 第四章 基于鲁棒最小二乘支持向量机的齿轮磨损预测 | 第37-48页 |
| ·概述 | 第37页 |
| ·回归模型鲁棒性分析 | 第37-39页 |
| ·迭代鲁棒最小二乘支持向量机 | 第39-40页 |
| ·IRLS-SVM 超参数鲁棒寻优 | 第40-42页 |
| ·鲁棒交叉验证 | 第40-41页 |
| ·CSA-SM 超参数寻优法 | 第41-42页 |
| ·实验设计与分析 | 第42-47页 |
| ·IRLS-SVM 模型鲁棒性研究 | 第42-43页 |
| ·齿轮磨损研究现状 | 第43-44页 |
| ·IRLS-SVM 模型在齿轮磨损预测中的应用 | 第44-47页 |
| ·本章小结 | 第47-48页 |
| 第五章 基于 FVS 的稀疏最小二乘支持向量机及其应用 | 第48-56页 |
| ·概述 | 第48页 |
| ·稀疏最小二乘支持向量机 | 第48-51页 |
| ·支持向量选择 | 第48-50页 |
| ·基于 FVS 的 LS-SVM 稀疏化方法 | 第50-51页 |
| ·实验设计与分析 | 第51-54页 |
| ·SLS-SVM 在函数建模中的应用 | 第51-52页 |
| ·SLS-SVM 在弓网系统建模中的应用 | 第52-54页 |
| ·本章小结 | 第54-56页 |
| 第六章 基于 L0-范数正则项的稀疏最小二乘支持向量机及其改进 | 第56-65页 |
| ·概述 | 第56页 |
| ·迭代稀疏最小二乘支持向量机 | 第56-58页 |
| ·迭代稀疏最小二乘支持向量机的改进 | 第58-61页 |
| ·快速留一交叉验证 | 第58-59页 |
| ·ISLS-SVM 线性方程组求解方法的改进 | 第59-61页 |
| ·实验设计与分析 | 第61-64页 |
| ·快速留一交叉验证在 ISLS-SVM 参数赋值中的应用 | 第62页 |
| ·ISLS-SVM 在 UCI 标准数据建模中的应用 | 第62-64页 |
| ·本章小结 | 第64-65页 |
| 第七章 总结与展望 | 第65-67页 |
| ·论文工作总结 | 第65-66页 |
| ·工作展望 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 个人简历 在读期间发表的学术论文 | 第72-73页 |
| 致谢 | 第73页 |
