首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文--自动推理、机器学习论文

最小二乘法、ε-支持向量回归机与最小二乘支持向量回归机的对比研究

摘要第5-7页
Abstract第7-8页
第一章 引言第10-13页
    1.1 研究背景和意义第10-11页
    1.2 支持向量机的研究现状第11-12页
    1.3 本文的研究内容和研究方法第12页
    1.4 本文的写作安排第12-13页
第二章 统计学习理论和支持向量机的概述第13-26页
    2.1 统计学习理论核心内容第13-17页
    2.2 支持向量机的主要方法第17-23页
    2.3 支持向量机的推广与变形算法第23-26页
第三章 支持向量回归机算法第26-36页
    3.1 最小二乘回归算法(LS)概述第26页
    3.2 ε-支持向量回归机算法(ε-SVR)第26-30页
    3.3 最小二乘支持向量回归机算法(LS-SVR)第30-31页
    3.4 ε-SVR、LS与LS-SVR的联系与实例验证第31-36页
第四章 支持向量回归机在实际问题中的应用第36-49页
    4.1 线性回归问题第36-43页
    4.2 非线性回归问题第43-47页
    4.3 研究结论第47-49页
第五章 总结和展望第49-50页
参考文献第50-53页
附录第53-80页

论文共80页,点击 下载论文
上一篇:广义半马尔可夫跳跃系统的饱和控制
下一篇:基于卷积神经网络和迁移学习的医学影像辅助诊断研究