| 摘要 | 第1-4页 |
| Abstract | 第4-6页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-12页 |
| ·课题背景及意义 | 第8-9页 |
| ·课题背景 | 第8页 |
| ·课题意义 | 第8-9页 |
| ·国内外研究现状 | 第9-11页 |
| ·论文的结构和内容 | 第11-12页 |
| 第二章 支持向量机基础理论 | 第12-22页 |
| ·统计学理论 | 第12-14页 |
| ·机器学习问题描述 | 第12页 |
| ·经验风险最小化 | 第12-13页 |
| ·VC 维 | 第13页 |
| ·推广性的界与结构风险最小化原则 | 第13-14页 |
| ·最优分类超平面与支持向量机 | 第14-18页 |
| ·支持向量机基础理论 | 第14-16页 |
| ·核函数 | 第16页 |
| ·支持向量机 | 第16-17页 |
| ·支持向量回归 | 第17-18页 |
| ·最小二乘支持向量机理论 | 第18-20页 |
| ·最小二乘支持向量机 | 第18-19页 |
| ·LS-SVM 的应用 | 第19-20页 |
| ·本章小结 | 第20-22页 |
| 第三章 模糊最小二乘支持向量回归研究及应用 | 第22-34页 |
| ·最小二乘支持向量回归 | 第22-23页 |
| ·基于支持向量机数据域的隶属度函数 | 第23-25页 |
| ·支持向量机数据域描述 | 第23-24页 |
| ·基于数据域描述隶属度函数 | 第24-25页 |
| ·模糊最小二乘支持向量回归 | 第25-27页 |
| ·模糊 LS-SVR | 第25-26页 |
| ·FLSSVR 算法的实现 | 第26页 |
| ·sin c 函数仿真 | 第26-27页 |
| ·谷氨酸发酵过程分析 | 第27-28页 |
| ·谷氨酸发酵简介 | 第27-28页 |
| ·谷氨酸发酵过程关键变量 | 第28页 |
| ·谷氨酸发酵过程建模 | 第28-32页 |
| ·基于模糊支持向量回归建模 | 第29-30页 |
| ·基于 FLSSVR 的谷氨酸浓度建模的方法与步骤 | 第30-32页 |
| ·本章小结 | 第32-34页 |
| 第四章 基于密度的稀疏最小二乘支持向量机 | 第34-42页 |
| ·KNN 算法 | 第34-35页 |
| ·基于密度的聚类算法 | 第35-37页 |
| ·基于密度的聚类算法思想和概念 | 第35-36页 |
| ·基于密度的聚类算法的实现过程 | 第36-37页 |
| ·基于密度的 KNN 分类器训练样本的裁剪算法 | 第37-38页 |
| ·确定样本相似度阀值 | 第37页 |
| ·样本裁剪过程 | 第37-38页 |
| ·基于密度的稀疏最小二乘支持向量机 | 第38-40页 |
| ·对两类问题的实验分析 | 第38-39页 |
| ·对多类问题的实验分析 | 第39-40页 |
| ·本章小结 | 第40-42页 |
| 第五章 基于密度的稀疏 OLSSVR 研究及应用 | 第42-52页 |
| ·LS-SVR 在线训练方法 | 第42-46页 |
| ·增量式学习算法 | 第42-44页 |
| ·在线学习算法 | 第44-46页 |
| ·基于密度的在线稀疏 LS-SVR | 第46-48页 |
| ·基于密度的样本删减 | 第46-47页 |
| ·DBS-OLSSVR 算法的实现 | 第47页 |
| ·仿真实验 | 第47-48页 |
| ·基于 DBS-OLSSVR 的谷氨酸发酵过程建模 | 第48-50页 |
| ·基于 DBS-OLSSVR 的谷氨酸浓度建模的方法与步骤 | 第48-49页 |
| ·仿真结果 | 第49-50页 |
| ·本章小结 | 第50-52页 |
| 总结与展望 | 第52-54页 |
| 致谢 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第60页 |
