| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-16页 |
| ·引言 | 第8页 |
| ·木材干燥简介 | 第8-10页 |
| ·木材干燥过程 | 第8-9页 |
| ·木材干燥工艺 | 第9-10页 |
| ·木材干燥的发展问题 | 第10页 |
| ·木材干燥建模 | 第10-11页 |
| ·常用的建模方法 | 第10-11页 |
| ·木材干燥建模研究现状 | 第11页 |
| ·机器学习简介 | 第11-15页 |
| ·机器学习的发展过程 | 第12页 |
| ·机器学习的基本问题 | 第12-14页 |
| ·经验风险最小化原则 | 第14-15页 |
| ·论文的主要内容 | 第15-16页 |
| 2 统计学习理论与支持向量机 | 第16-33页 |
| ·引言 | 第16页 |
| ·统计学习理论的基本原理 | 第16-18页 |
| ·VC 维 | 第16页 |
| ·推广性的界 | 第16-17页 |
| ·结构风险最小化原则 | 第17-18页 |
| ·支持向量机 | 第18-25页 |
| ·最优分类超平面 | 第18-22页 |
| ·推广的最优分类超平面 | 第22-23页 |
| ·支持向量分类机 | 第23-25页 |
| ·支持向量回归机 | 第25-30页 |
| ·ε不敏感损失函数 | 第25-26页 |
| ·线性支持向量回归机 | 第26-29页 |
| ·非线性支持向量回归机 | 第29-30页 |
| ·支持向量机研究现状 | 第30-32页 |
| ·支持向量机算法的改进 | 第30-31页 |
| ·支持向量机的应用 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 3 支持向量机在木材干燥建模中的应用 | 第33-51页 |
| ·引言 | 第33页 |
| ·基于 SVM 的木材干燥建模 | 第33-38页 |
| ·基于 SVM 的木材干燥模型结构 | 第34-35页 |
| ·基于 SVM 的木材干燥模型仿真步骤 | 第35-36页 |
| ·基于 SVM 的阔叶材干燥过程建模与仿真 | 第36-37页 |
| ·基于 SVM 的针叶材干燥过程建模与仿真 | 第37-38页 |
| ·最小二乘支持向量机(LSSVM)及其在木材干燥建模中的应用 | 第38-44页 |
| ·最小二乘支持向量机 | 第38-40页 |
| ·基于 LSSVM 的阔叶材干燥过程建模与仿真 | 第40-42页 |
| ·基于 LSSVM 的针叶材干燥过程建模与仿真 | 第42-43页 |
| ·基于 LSSVM 的木材干燥模型与 SVM 模型的比较研究 | 第43-44页 |
| ·核函数 | 第44-47页 |
| ·核函数的分类 | 第45页 |
| ·不同核函数对木材干燥模型的影响 | 第45-47页 |
| ·支持向量机的参数优化方法 | 第47-50页 |
| ·改进的穷举法 | 第48-49页 |
| ·交叉验证法 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 4 基于 LSSVM 的木材干燥在线建模研究 | 第51-60页 |
| ·引言 | 第51页 |
| ·基于 LSSVM 的木材干燥在线建模 | 第51-55页 |
| ·基于 LSSVM 的木材干燥在线建模过程 | 第51-53页 |
| ·仿真研究 | 第53-55页 |
| ·基于稀疏 LSSVM 的木材干燥在线建模研究 | 第55-59页 |
| ·稀疏 LSSVM | 第55-57页 |
| ·基于稀疏 LSSVM 的木材干燥在线建模 | 第57-59页 |
| ·本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读学位期间发表的学术论文 | 第66-67页 |
| 致谢 | 第67-68页 |