| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-15页 |
| ·问题的提出 | 第7-11页 |
| ·统计学习理论与结构风险最小化 | 第7-8页 |
| ·支持向量机SVM 及其研究进展 | 第8-11页 |
| ·支持向量回归机SVR 的鲁棒性及其研究进展 | 第11页 |
| ·本文研究起点、研究方法及其与已有研究内容之间的联系 | 第11-13页 |
| ·本文的研究起点 | 第11-12页 |
| ·本文的研究内容及其与已有研究内容之间的联系 | 第12页 |
| ·本文的研究方法及研究平台 | 第12-13页 |
| ·本文研究工作概述和内容安排 | 第13-15页 |
| ·本文的研究工作概述 | 第13-14页 |
| ·本文的内容安排 | 第14-15页 |
| 第二章 基于MAP 框架的SVR 参数选择的已有研究成果 | 第15-29页 |
| ·支持向量回归机与损失函数 | 第15页 |
| ·基于不同损失函数的支持向量回归机 | 第15-17页 |
| ·ε支持向量回归机ε-SVR | 第15-16页 |
| ·Huber-支持向量回归机Huber-SVR | 第16页 |
| ·r 范数-支持向量回归机r-SVR | 第16-17页 |
| ·SVR 的贝叶斯框架 | 第17-18页 |
| ·ε-SVR 的参数选择与输入噪声间的关系 | 第18-21页 |
| ·样本数据集含有噪声时的ε-SVR 回归模型 | 第18-19页 |
| ·ε-SVR 的参数选择与输入噪声间的关系 | 第19-21页 |
| ·Huber-SVR 的参数选择与高斯输入噪声间的关系 | 第21-24页 |
| ·基于MAP 概率框架的理论推导结果 | 第21-24页 |
| ·r-SVR 的参数选择与高斯输入噪声间的关系 | 第24-29页 |
| ·r 范数-支持向量回归机后验估计最大化的必要条件 | 第24-25页 |
| ·输入噪声为高斯模型时r 的选择与输入噪声的关系 | 第25-29页 |
| 第三章 Huber-SVR的参数选择与拉斯输入噪声及均匀输入噪声间的关系 | 第29-44页 |
| ·基于MAP 概率框架的理论推导结果 | 第29-38页 |
| ·Huber-支持向量回归机的参数与拉斯输入噪声间近似线性关系的理论推导结果 | 第31-37页 |
| ·Huber-支持向量回归机的参数与均匀输入噪声间近似线性关系的理论推导结果 | 第37-38页 |
| ·实验和实验结果 | 第38-43页 |
| ·实验目的 | 第38页 |
| ·实验步骤 | 第38-39页 |
| ·实验结果与分析 | 第39-43页 |
| ·本章小结 | 第43-44页 |
| 第四章 r范数SVR的参数选择与拉斯噪声和均匀噪声间的 关系 | 第44-52页 |
| ·基于MAP 概率框架的理论推导结果 | 第44-49页 |
| ·r 范数-支持向量回归机后验估计最大化的必要条件 | 第44-45页 |
| ·r-SVR 的参数与输入噪声间近似的线性反比关系的理论推导结果 | 第45-49页 |
| ·r-SVR 的参数与拉斯输入噪声间的近似的线性反比关系 | 第45-48页 |
| ·r-SVR 的参数与均匀输入噪声间的近似线性关系 | 第48-49页 |
| ·实验和实验结果 | 第49-50页 |
| ·实验目的 | 第49页 |
| ·实验步骤 | 第49-50页 |
| ·实验结果与分析 | 第50页 |
| ·本章小结 | 第50-52页 |
| 第五章 SVR 在股市数据回归中的实证分析 | 第52-60页 |
| ·Huber 损失函数与 Huber-SVR | 第52-53页 |
| ·r 范数损失函数与 r 范数-SVR | 第53-55页 |
| ·实验与实验结果 | 第55-60页 |
| ·实验目的 | 第55页 |
| ·实验步骤 | 第55-59页 |
| ·实验结果与分析 | 第59-60页 |
| 结束语 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-68页 |
| 附录1：作者在攻读硕士学位期间发表的论文 | 第68-69页 |
| 附录2：实验数据 | 第69-77页 |
