| 摘要 | 第1-4页 |
| Abstract | 第4-5页 |
| 目录 | 第5-7页 |
| 第一章 绪论 | 第7-13页 |
| ·课题背景 | 第7页 |
| ·本课题研究的目的及意义 | 第7-8页 |
| ·基于支持向量机的软测量建模研究现状 | 第8-11页 |
| ·输入变量的预处理 | 第9页 |
| ·支持向量机的本身改进 | 第9-10页 |
| ·多模型建模方法 | 第10-11页 |
| ·本课题的内容安排和主要工作 | 第11-13页 |
| 第二章 基于支持向量机的软测量建模 | 第13-25页 |
| ·软测量原理简介 | 第13-14页 |
| ·软测量模型的泛化性能 | 第14-15页 |
| ·支持向量机的优势 | 第14-15页 |
| ·支持向量机模型的泛化性能 | 第15页 |
| ·支持向量机的原理 | 第15-20页 |
| ·线性 SVM 回归算法 | 第17-19页 |
| ·非线性 SVM 回归算法 | 第19-20页 |
| ·核函数 | 第20页 |
| ·多模型中的相关技术 | 第20-23页 |
| ·样本聚类方法 | 第21-22页 |
| ·多模型的连接方法 | 第22-23页 |
| ·集成学习算法 | 第23页 |
| ·本章小结 | 第23-25页 |
| 第三章 基于特征加权模糊聚类的多模型软测量建模 | 第25-31页 |
| ·引言 | 第25页 |
| ·特征加权 FCM 基本原理 | 第25-26页 |
| ·特征权值的确定 | 第26-27页 |
| ·仿真实验 | 第27-30页 |
| ·本章小结 | 第30-31页 |
| 第四章 基于改进聚类和加权 Bagging 的多模型软测量建模 | 第31-39页 |
| ·引言 | 第31页 |
| ·K-近邻样本处理 | 第31-32页 |
| ·基于加权 Bagging 的集成学习算法 | 第32-35页 |
| ·仿真实验 | 第35-37页 |
| ·本章小结 | 第37-39页 |
| 第五章 基于 SLPP 的组合支持向量机建模 | 第39-47页 |
| ·引言 | 第39页 |
| ·基于多知识库挖掘的 SLPP 算法 | 第39-42页 |
| ·多知识库挖掘 | 第39-40页 |
| ·改进的 SLPP 算法 | 第40-42页 |
| ·基于 SLPP 的组合支持向量机模型 | 第42-44页 |
| ·组合参数的确定 | 第42-43页 |
| ·组合支持向量机模型框架 | 第43-44页 |
| ·仿真实验 | 第44-45页 |
| ·本章小结 | 第45-47页 |
| 第六章 总结与展望 | 第47-49页 |
| ·总结 | 第47页 |
| ·展望 | 第47-49页 |
| 致谢 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第55页 |