| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-32页 |
| 1.1 选题背景及意义 | 第9-10页 |
| 1.2 统计学习理论与支持向量机 | 第10-19页 |
| 1.2.1 机器学习问题 | 第10-11页 |
| 1.2.2 统计学习理论 | 第11-12页 |
| 1.2.3 支持向量机 | 第12-19页 |
| 1.3 支持向量机研究进展 | 第19-30页 |
| 1.3.1 模型的扩展 | 第19-24页 |
| 1.3.2 算法的改进 | 第24-30页 |
| 1.4 论文的主要内容 | 第30-32页 |
| 第2章 最小二乘支持向量机的改进共轭梯度算法 | 第32-44页 |
| 2.1 引言 | 第32-33页 |
| 2.2 最小二乘支持向量机与共轭梯度法 | 第33-36页 |
| 2.2.1 最小二乘支持向量机 | 第34-35页 |
| 2.2.2 共轭梯度法 | 第35-36页 |
| 2.3 基于无约束方法的改进共轭梯度法 | 第36-41页 |
| 2.4 实验结果及分析 | 第41-43页 |
| 2.5 本章小结 | 第43-44页 |
| 第3章 无约束最小二乘支持向量机的单数据迭代算法 | 第44-56页 |
| 3.1 引言 | 第44-46页 |
| 3.2 支持向量机的逐次超松弛算法和单数据迭代算法 | 第46-48页 |
| 3.2.1 支持向量机的逐次超松弛算法 | 第46-47页 |
| 3.2.2 支持向量机的单数据迭代算法 | 第47-48页 |
| 3.3 无约束最小二乘支持向量机的单数据迭代算法 | 第48-52页 |
| 3.4 实验结果及分析 | 第52-54页 |
| 3.5 本章小结 | 第54-56页 |
| 第4章 支持向量机的多约束激活对偶有效集方法 | 第56-75页 |
| 4.1 引言 | 第56-59页 |
| 4.2 有效集方法 | 第59-62页 |
| 4.2.1 原始有效集方法 | 第59-60页 |
| 4.2.2 对偶有效集方法 | 第60-62页 |
| 4.3 多约束激活对偶有效集方法 | 第62-69页 |
| 4.4 实验结果及分析 | 第69-71页 |
| 4.5 本章小结 | 第71-75页 |
| 第5章 基于非单调线性搜索和谱步长的分解梯度投影方法 | 第75-91页 |
| 5.1 引言 | 第75-78页 |
| 5.2 基本理论 | 第78-82页 |
| 5.2.1 梯度投影方法 | 第78-79页 |
| 5.2.2 非单调线性搜索技术 | 第79-80页 |
| 5.2.3 谱步长选择方法 | 第80-82页 |
| 5.3 基于非单调线性搜索和谱步长的分解梯度投影方法 | 第82-86页 |
| 5.4 实验结果及分析 | 第86-88页 |
| 5.5 本章小结 | 第88-91页 |
| 第6章 支持向量机在风力发电机故障预测与诊断中的应用 | 第91-103页 |
| 6.1 应用背景及意义 | 第91-92页 |
| 6.2 基于支持向量机的风机效率监控及故障预测与诊断 | 第92-101页 |
| 6.2.1 基于功率曲线的风机效率监控 | 第92-96页 |
| 6.2.2 基于支持向量机的风机故障预测与诊断 | 第96-101页 |
| 6.3 小结 | 第101-103页 |
| 第7章 总结与展望 | 第103-105页 |
| 7.1 论文总结 | 第103-104页 |
| 7.2 研究展望 | 第104-105页 |
| 参考文献 | 第105-115页 |
| 致谢 | 第115-117页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第117页 |
