优生演进优化和统计学习建模
| 摘要 | 第1-7页 |
| Abstract | 第7-14页 |
| 第一章 绪论 | 第14-23页 |
| ·引言 | 第14-15页 |
| ·基于观测数据的建模 | 第15-16页 |
| ·化学化工对象建模的意义 | 第16-18页 |
| ·建模的一般方法与步骤 | 第18-21页 |
| ·本文内容组织 | 第21-23页 |
| 第二章 基于观测数据建模的主要方法 | 第23-38页 |
| ·引言 | 第23页 |
| ·基于观测数据的主要建模方法 | 第23-37页 |
| ·小结 | 第37-38页 |
| 第三章 基于优生演进策略的遗传算法 | 第38-53页 |
| ·引言 | 第38-39页 |
| ·简单遗传算法 | 第39-40页 |
| ·简单遗传算法(SGA)用作参数估计 | 第40-42页 |
| ·基于优进策略的遗传算法(EGA) | 第42-45页 |
| ·种群多样性的维持 | 第42-43页 |
| ·交叉算子的改进 | 第43-44页 |
| ·寻优算子的设计 | 第44页 |
| ·EGA的实施 | 第44-45页 |
| ·算法测试 | 第45-46页 |
| ·在重油热解模型参数估计中的应用 | 第46-52页 |
| ·重油热解非线性模型 | 第46-47页 |
| ·重油热解实验装置及试验过程 | 第47-48页 |
| ·算法实施及分析 | 第48-52页 |
| ·结论 | 第52-53页 |
| 第四章 支持向量机及其优化算法 | 第53-70页 |
| ·引言 | 第53-54页 |
| ·统计学习理论 | 第54-58页 |
| ·VC维 | 第54-55页 |
| ·经验风险最小化原则 | 第55-57页 |
| ·结构风险最小化原则 | 第57-58页 |
| ·支持向量机(SVM)简介 | 第58-60页 |
| ·SVM中优化算法 | 第60-70页 |
| ·SVM中优化算法的理论基础 | 第60-61页 |
| ·SVM发展初期常用的优化算法 | 第61-62页 |
| ·国际上近期出现的SVM优化算法 | 第62-68页 |
| ·各种优化算法的分析比较 | 第68-70页 |
| 第五章 支持向量机建立分类器模型 | 第70-90页 |
| ·引言 | 第70页 |
| ·支持向量机用于模式分类 | 第70-72页 |
| ·支持向量机预测能力估计方法 | 第72-78页 |
| ·SVM预测能力估计的理论基础 | 第73页 |
| ·SVM预测能力估计方法 | 第73-77页 |
| ·各种方法的分析比较 | 第77-78页 |
| ·分类相关成分分析 | 第78-84页 |
| ·类别特征的数学表达 | 第78-83页 |
| ·分类相关成分的常规选择方法 | 第83-84页 |
| ·结合分类相关成分分析的SVM建立分类模型 | 第84页 |
| ·建立留兰香的分类模型 | 第84-89页 |
| ·CCA-SVM模式分类性能分析 | 第86-87页 |
| ·CCA-SVM模式分类结果 | 第87-88页 |
| ·与SVM、CCA-SOM方法分类结果比较 | 第88-89页 |
| ·小结 | 第89-90页 |
| 第六章 支持向量机回归建模 | 第90-117页 |
| ·引言 | 第90-91页 |
| ·支持向量机用于回归建模 | 第91-95页 |
| ·支持向量回归估计性能分析 | 第95-101页 |
| ·参数对支持向量机性能的影响 | 第95-100页 |
| ·实例及分析 | 第100-101页 |
| ·自适应支持向量机(A-SVM)建模方法 | 第101-111页 |
| ·自适应支持向量机算法 | 第102-104页 |
| ·应用A-SVM为延迟焦化反应的焦炭产率建模 | 第104-110页 |
| ·分析及小结 | 第110-111页 |
| ·结构可调的支持向量机建模方法 | 第111-117页 |
| ·结构可调支持向量机(AS-SVM)公式及算法 | 第111-114页 |
| ·基于实例的应用及分析 | 第114-116页 |
| ·分析与小结 | 第116-117页 |
| 第七章 总结与展望 | 第117-120页 |
| ·总结 | 第117-118页 |
| ·展望 | 第118-120页 |
| 参考文献 | 第120-129页 |
| 附录 | 第129-133页 |
| 3A 实验说明 | 第129页 |
| 3B 重油热解集总反应方程式的推导 | 第129-133页 |
| 致谢 | 第133-134页 |
| 作者攻读博士学位期间发表的论文及参加的科研项目 | 第134页 |
