| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第1章 绪论 | 第10-26页 |
| ·研究内容的意义 | 第10-14页 |
| ·农产品安全生产关键控制点发现的意义 | 第10-12页 |
| ·关键控制点发现是HACCP 应用的核心问题 | 第12-13页 |
| ·支持向量机是机器学习领域的研究热点 | 第13-14页 |
| ·国内外研究现状 | 第14-20页 |
| ·关键控制点发现技术的研究现状 | 第14-15页 |
| ·支持向量机的研究应用现状 | 第15-16页 |
| ·国外HACCP 信息化的研究现状 | 第16-18页 |
| ·国内HACCP 信息化的发展现状 | 第18-20页 |
| ·论文的主要研究内容及课题来源 | 第20-24页 |
| ·论文的主要研究内容 | 第20-21页 |
| ·论文课题来源 | 第21-23页 |
| ·论文支持课题的主要研究成果 | 第23-24页 |
| ·本章小结 | 第24-26页 |
| 第2章 统计学习理论与支持向量机 | 第26-50页 |
| ·统计学习理论的基本原理 | 第26-31页 |
| ·统计学习理论的发展简述 | 第26-28页 |
| ·统计学习理论的基本内容 | 第28-31页 |
| ·支持向量机的基本原理 | 第31-38页 |
| ·最优超平面 | 第31-32页 |
| ·线性可分情况下的最优分类超平面 | 第32-34页 |
| ·线性不可分情况下的最优分类超平面 | 第34-36页 |
| ·非线性支持向量机 | 第36-37页 |
| ·核函数 | 第37-38页 |
| ·支持向量机分类方法的基本理论 | 第38-41页 |
| ·分类问题的一般描述 | 第38页 |
| ·支持向量机的训练 | 第38-41页 |
| ·模型选择与核函数的研究 | 第41-42页 |
| ·支持向量机的突出优点 | 第42页 |
| ·支持向量机算法及其变形 | 第42-48页 |
| ·C-SVM 算法及其变形算法 | 第43-44页 |
| ·v ? SVM 算法及其变形算法 | 第44-46页 |
| ·W-SVM(weighted SVM)算法 | 第46-47页 |
| ·LS-SVM 算法 | 第47-48页 |
| ·支持向量机的应用研究现状 | 第48页 |
| ·本章小结 | 第48-50页 |
| 第3章 基于加权SVM 的关键控制点发现研究 | 第50-58页 |
| ·农产品安全生产关键控制点分类的需求分析 | 第50-51页 |
| ·支持向量机算法的实现 | 第51-54页 |
| ·经典支持向量机分类算法 | 第51-52页 |
| ·加权支持向量分类算法 | 第52-54页 |
| ·应用试验与结果分析 | 第54-57页 |
| ·本章小结 | 第57-58页 |
| 第4章 基于遗传算法优化SVM 的关键控制点发现研究 | 第58-68页 |
| ·SVM 参数选取问题分析 | 第58-59页 |
| ·模型参数对SVM 性能的影响 | 第59-60页 |
| ·核函数参数的影响 | 第59-60页 |
| ·误差惩罚因子C 的影响 | 第60页 |
| ·遗传算法优化支持向量机算法的实现 | 第60-65页 |
| ·遗传算法 | 第60-63页 |
| ·确定支持向量机参数的搜索区间 | 第63-64页 |
| ·遗传算法优化支持向量机参数的迭代步骤 | 第64-65页 |
| ·应用试验与结果分析 | 第65-66页 |
| ·本章小结 | 第66-68页 |
| 第5章 基于支持向量机增量学习的关键控制点发现研究 | 第68-74页 |
| ·支持向量机增量学习算法的提出 | 第68-69页 |
| ·支持向量机增量学习算法的实现 | 第69-72页 |
| ·应用试验与结果分析 | 第72-73页 |
| ·本章小结 | 第73-74页 |
| 第6章 其他关键控制点发现方法研究 | 第74-88页 |
| ·人工神经网络算法 | 第74-79页 |
| ·人工神经网络试验结果分析 | 第79-80页 |
| ·模糊故障树算法 | 第80-82页 |
| ·模糊故障树试验结果分析 | 第82-84页 |
| ·去模糊化故障树算法 | 第84-85页 |
| ·本章小结 | 第85-88页 |
| 结论与展望 | 第88-92页 |
| 参考文献 | 第92-100页 |
| 攻读博士学位期间所发表的学术论文 | 第100-101页 |
| 致谢 | 第101页 |