| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 1 绪论 | 第10-16页 |
| ·问题的提出及研究现状 | 第10-13页 |
| ·问题的提出 | 第10-12页 |
| ·国内外研究现状 | 第12-13页 |
| ·研究的意义 | 第13页 |
| ·本文研究的目的和研究内容 | 第13-16页 |
| ·本文研究的目的 | 第13-14页 |
| ·本文研究的主要内容 | 第14-16页 |
| 2 常用的回归方法 | 第16-26页 |
| ·变量的统计特征和数据预处理 | 第16-18页 |
| ·变量空间和变量的统计特征 | 第16-18页 |
| ·数据的预处理 | 第18页 |
| ·多元线性回归 | 第18-19页 |
| ·偏最小二乘回归 | 第19-21页 |
| ·人工神经网络 | 第21-25页 |
| ·概率神经网络 | 第22-24页 |
| ·极限学习机 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 3 支持向量回归与量子粒子群 | 第26-48页 |
| ·统计学习理论 | 第26-30页 |
| ·机器学习的问题与经验风险最小化原则 | 第26-28页 |
| ·统计学习理论思想 | 第28-30页 |
| ·支持向量回归 | 第30-35页 |
| ·支持向量回归原理 | 第31-34页 |
| ·核函数 | 第34-35页 |
| ·常用的支持向量机算法 | 第35-38页 |
| ·最小二乘支持向量机 | 第35-36页 |
| ·加权支持向量机 | 第36-38页 |
| ·核主元分析支持向量机 | 第38页 |
| ·超球面支持向量机 | 第38页 |
| ·留一交叉验证法 | 第38-39页 |
| ·量子粒子群 | 第39-42页 |
| ·基本粒子群优化算法 | 第39-40页 |
| ·粒子群算法的改进 | 第40-41页 |
| ·量子粒子群算法 | 第41-42页 |
| ·其它参数优化算法 | 第42-46页 |
| ·遗传算法 | 第42-43页 |
| ·差分进化算法 | 第43-44页 |
| ·分散搜索算法 | 第44页 |
| ·网格搜索法 | 第44-45页 |
| ·模拟退火算法 | 第45页 |
| ·蚁群算法 | 第45-46页 |
| ·本章小结 | 第46-48页 |
| 4 功能薄膜材料数据的支持向量回归分析及应用 | 第48-76页 |
| ·基于SVR 的ECR Plasma CVD 沉积全介质光学膜性能研究 | 第48-56页 |
| ·数据来源与模型建立 | 第49-50页 |
| ·结果与分析 | 第50-55页 |
| ·结论 | 第55-56页 |
| ·直接甲醇燃料电池性能的SVR 研究 | 第56-66页 |
| ·实验数据 | 第56-58页 |
| ·模型的建立与讨论 | 第58-62页 |
| ·因素分析 | 第62-64页 |
| ·灵敏度分析 | 第64-66页 |
| ·结论 | 第66页 |
| ·Bi 系超导材料临界转变温度的SVR 研究 | 第66-69页 |
| ·数据与建模 | 第66-67页 |
| ·结果与讨论 | 第67-69页 |
| ·结论 | 第69页 |
| ·基于SVR 的Co_3O_4 纳米粒子制备工艺优化研究 | 第69-75页 |
| ·数据集 | 第69-70页 |
| ·结果与对比研究 | 第70-72页 |
| ·工艺参数优化 | 第72-73页 |
| ·多因素分析 | 第73-74页 |
| ·结论 | 第74-75页 |
| ·本章小结 | 第75-76页 |
| 5 结论与展望 | 第76-78页 |
| ·主要结论 | 第76页 |
| ·后续研究工作的展望 | 第76-78页 |
| 致谢 | 第78-80页 |
| 参考文献 | 第80-90页 |
| 附录：作者在攻读硕士学位期间发表的论文目录 | 第90-91页 |