支持向量机算法参数选择及其在电站锅炉系统中的应用研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-12页 |
| 第1章 绪论 | 第12-30页 |
| 1．1 机器学习简介 | 第12-14页 |
| 1．1．1 机器学习系统基本框架 | 第13-14页 |
| 1．1．2 机器学习常用算法简介 | 第14页 |
| 1．2 统计学习理论与经验推理 | 第14-20页 |
| 1．2．1 函数集结构复杂度VC维 | 第15-18页 |
| 1．2．2 支持向量机算法的泛化能力 | 第18-20页 |
| 1．3 支持向量机算法原理 | 第20-26页 |
| 1．3．1 最优超平面的统计特征 | 第22页 |
| 1．3．2 标准支持向量机算法 | 第22-23页 |
| 1．3．3 用于回归的支持向量机算法 | 第23-24页 |
| 1．3．4 支持向量机算法研究概述 | 第24-26页 |
| 1．4 支持向量机算法的应用简介 | 第26-27页 |
| 1．5 支持向量机算法存在的问题 | 第27页 |
| 1．6 全文内容与结构 | 第27-30页 |
| 第2章 支持向量机理论基础及算法实现 | 第30-56页 |
| 2．1 支持向量机算法的构造 | 第30-34页 |
| 2．2 支持向量机算法与正则化方法之间的关系 | 第34-37页 |
| 2．3 最优超平面的几何意义及EDSVC算法 | 第37-41页 |
| 2．3．1 超平面最优性的几何意义 | 第37-38页 |
| 2．3．2 EDSVC算法 | 第38-41页 |
| 2．4 支持向量机算法中优化问题的求解 | 第41-52页 |
| 2．4．1 对偶二次规划的最优性条件 | 第42-45页 |
| 2．4．2 支持向量机算法的求解方法 | 第45-52页 |
| 2．5 常用支持向量机算法简介 | 第52-56页 |
| 2．5．1 最小二乘支持向量机LS-SVM | 第52-53页 |
| 2．5．2 Libsvm算法包 | 第53-54页 |
| 2．5．3 SvmLight算法包 | 第54页 |
| 2．5．4 SvmFu算法 | 第54-56页 |
| 第3章 基于遗传算法的支持向量机算法参数选择 | 第56-66页 |
| 3．1 遗传算法基本思想 | 第56-59页 |
| 3．2 改进的支持向量机算法GA-SVM | 第59-62页 |
| 3．2．1 SVM模型及遗传算法适应度函数 | 第59-60页 |
| 3．2．2 SVM参数编码方案 | 第60-61页 |
| 3．2．3 算法停止准则及遗传算子 | 第61页 |
| 3．2．4 遗传算子及相关参数的选择 | 第61-62页 |
| 3．3 试验及结果分析 | 第62-64页 |
| 3．4 本章小结 | 第64-66页 |
| 第4章 基于统计试验设计的支持向量机参数选择 | 第66-80页 |
| 4．1 试验设计简介 | 第66-69页 |
| 4．2 试验设计的统计模型 | 第69-70页 |
| 4．2．1 方差分析模型 | 第69页 |
| 4．2．2 回归模型 | 第69-70页 |
| 4．2．3 非参数回归模型 | 第70页 |
| 4．2．4 稳健回归模型 | 第70页 |
| 4．3 试验设计的模型分析 | 第70-72页 |
| 4．4 试验设计结果分析 | 第72页 |
| 4．5 SVM参数选择 | 第72-74页 |
| 4．6 试验结果与讨论 | 第74-78页 |
| 4．7 本章小结 | 第78-80页 |
| 第5章 支持向量机算法性能的多目标分析 | 第80-98页 |
| 5．1 算法性能衡量标准 | 第80页 |
| 5．2 多目标意义下的算法综合性能评价 | 第80-82页 |
| 5．3 粒子群优化算法简介 | 第82-83页 |
| 5．4 基于PSO算法的SVM算法性能多目标分析 | 第83-86页 |
| 5．5 数值试验 | 第86-96页 |
| 5．6 本章小结 | 第96-98页 |
| 第6章 支持向量算法在电站锅炉中的应用研究 | 第98-116页 |
| 6．1 火力发电技术简介 | 第98-102页 |
| 6．1．1 凝汽式大型火电单元机组生产流程 | 第98-100页 |
| 6．1．2 蒸汽动力循环系统 | 第100-102页 |
| 6．2 电站锅炉再热汽温特性及调节手段 | 第102-104页 |
| 6．3 电站锅炉再热汽温建模与仿真 | 第104-105页 |
| 6．4 基于SVR的再热汽温模型构建 | 第105-109页 |
| 6．5 再热汽温的SVR回归分析及讨论 | 第109-114页 |
| 6．6 本章小结 | 第114-116页 |
| 第7章 全文总结与展望 | 第116-120页 |
| 7．1 全文总结 | 第116-117页 |
| 7．2 课题展望 | 第117-120页 |
| 附录 机器学习网上资源列表 | 第120-122页 |
| 参考文献 | 第122-134页 |
| 攻读博士学位期间完成的学术论文 | 第134-136页 |
| 致谢 | 第136页 |
