支持向量机在热工对象建模中的应用研究
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-13页 |
| ·课题研究背景及意义 | 第9-11页 |
| ·论文的主要工作及结构安排 | 第11-13页 |
| 第2章 统计学习理论与支持向量机 | 第13-31页 |
| ·统计学习理论 | 第13-19页 |
| ·机器学习 | 第13-15页 |
| ·统计学习理论 | 第15-19页 |
| ·支持向量机 | 第19-27页 |
| ·SVM分类 | 第19-24页 |
| ·SVM回归 | 第24-26页 |
| ·SVM与神经网络比较 | 第26-27页 |
| ·最小二乘支持向量机 | 第27-29页 |
| ·LS-SVM分类 | 第27-28页 |
| ·LS-SVM回归 | 第28-29页 |
| ·LS-SVM与SVM比较 | 第29页 |
| ·小结 | 第29-31页 |
| 第3章 基于聚类思想的LS-SVM稀疏性算法 | 第31-43页 |
| ·LS-SVM稀疏性算法研究现状 | 第31-32页 |
| ·LS-SVM模型的训练形式 | 第32-35页 |
| ·基于聚类思想约简核矩阵 | 第35-36页 |
| ·算法实现及注意事项 | 第36-39页 |
| ·算法实现 | 第36-38页 |
| ·注意事项 | 第38-39页 |
| ·仿真实验 | 第39-42页 |
| ·小结 | 第42-43页 |
| 第4章 基于聚类思想的LS-SVM鲁棒性算法 | 第43-50页 |
| ·LS-SVM鲁棒性算法研究现状 | 第43-44页 |
| ·基于聚类思想确定异常样本 | 第44-45页 |
| ·算法实现及注意事项 | 第45-47页 |
| ·算法实现 | 第45-46页 |
| ·注意事项 | 第46-47页 |
| ·仿真实验 | 第47-49页 |
| ·小结 | 第49-50页 |
| 第5章 LS-SVM在锅炉燃烧系统建模中的应用 | 第50-58页 |
| ·锅炉燃烧系统 | 第50页 |
| ·锅炉燃烧系统模型的建立 | 第50-57页 |
| ·试验设计 | 第51-52页 |
| ·模型结构 | 第52-53页 |
| ·飞灰含碳量软测量模型 | 第53-54页 |
| ·排烟温度软测量模型 | 第54-55页 |
| ·NO_x软测量模型 | 第55-57页 |
| ·小结 | 第57-58页 |
| 第6章 结论与展望 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 在学期间发表论文和参加科研情况 | 第63-64页 |
| 致谢 | 第64页 |
