支持向量回归机研究及其应用
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-15页 |
| ·研究背景和意义 | 第9-10页 |
| ·支持向量机算法的提出和研究现状 | 第10-13页 |
| ·本文的研究内容和组织结构 | 第13-15页 |
| 第二章 统计学习理论和支持向量机概述 | 第15-28页 |
| ·统计学习理论核心内容 | 第15-17页 |
| ·VC维和推广性的界 | 第15-16页 |
| ·结构风险最小化 | 第16-17页 |
| ·支持向量机的基本方法 | 第17-23页 |
| ·支持向量分类机 | 第17-21页 |
| ·支持向量回归机 | 第21-23页 |
| ·各种支持向量机变形算法 | 第23-26页 |
| ·各种支持向量机变形算法比较分析 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 不同损失函数下的支持向量回归机 | 第28-37页 |
| ·三种不同的支持向量回归机 | 第28-36页 |
| ·ε-支持向量回归机 | 第28-31页 |
| ·二次ε-支持向量回归机 | 第31-33页 |
| ·Huber支持向量回归机 | 第33-36页 |
| ·三种支持向量回归机的比较分析 | 第36页 |
| ·本章小结 | 第36-37页 |
| 第四章 一种新型的支持向量回归机算法 | 第37-49页 |
| ·鲁棒支持向量回归机 | 第37-42页 |
| ·算法设计 | 第38-39页 |
| ·实例仿真 | 第39-42页 |
| ·粒子群优化算法 | 第42-44页 |
| ·基于PSO的RSVR参数选择 | 第44-46页 |
| ·算法改进 | 第44-45页 |
| ·实例仿真 | 第45-46页 |
| ·基于PSO-RSVR的股票价格预测 | 第46-48页 |
| ·本章小结 | 第48-49页 |
| 第五章 支持向量回归机在传感器温度补偿中的应用 | 第49-58页 |
| ·压阻式压力传感器简介 | 第49页 |
| ·传感器温度补偿 | 第49-52页 |
| ·LS-SVM在温度补偿中的应用 | 第52-56页 |
| ·温度补偿原理 | 第52-53页 |
| ·最小二乘支持向量机 | 第53-54页 |
| ·温度补偿的实现 | 第54页 |
| ·实例仿真 | 第54-56页 |
| ·PSO-RSVR在传感器温度补偿中的应用 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63-64页 |
| 攻读硕士学位期间发表的论文目录 | 第64-65页 |
