一种新的支持向量回归预测模型
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 1 绪论 | 第8-11页 |
| ·课题研究背景 | 第8-9页 |
| ·支持向量机的研究现状 | 第9-10页 |
| ·本文的主要工作和内容安排 | 第10-11页 |
| 2 最小二乘估计理论 | 第11-15页 |
| ·回归问题 | 第11-12页 |
| ·最小二乘法 | 第12-13页 |
| ·最小二乘法的数值解 | 第13-14页 |
| ·本章小结 | 第14-15页 |
| 3 支持向量机（SVM）理论 | 第15-32页 |
| ·统计学习理论 | 第15-18页 |
| ·支持向量分类(SVC)理论 | 第18-23页 |
| ·线性可分的情况 | 第19-21页 |
| ·非线性可分的情况 | 第21-23页 |
| ·支持向量函数回归（SVR）理论 | 第23-27页 |
| ·线性回归的情况 | 第24-26页 |
| ·非线性回归的情况 | 第26-27页 |
| ·实证分析 | 第27-31页 |
| ·实验1:光的双缝干涉 | 第28-29页 |
| ·实验2：光的单缝衍射 | 第29-31页 |
| ·实验小结 | 第31-32页 |
| 4 基于最小二乘法的支持向量回归机新算法 | 第32-37页 |
| ·引言 | 第32页 |
| ·改进的支持向量回归机算法 | 第32-34页 |
| ·问题引入 | 第32-33页 |
| ·改进的支持向量回归机算法SVR-LS | 第33-34页 |
| ·实证分析 | 第34-36页 |
| ·试验1 对sinc函数的拟合逼近 | 第34-36页 |
| ·试验2 不同回归数据集上的回归比较 | 第36页 |
| ·本章小结 | 第36-37页 |
| 5 总结与展望 | 第37-39页 |
| ·本文的工作总结 | 第37页 |
| ·未来的研究方向 | 第37-39页 |
| 致谢 | 第39-40页 |
| 参考文献 | 第40-44页 |
| 附录1 MATLAB 程序 | 第44-48页 |
| 附录2 攻读学位期间发表论文目录 | 第48页 |
