基于支持向量机的多品种小批量产品质量预测
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 选题背景及研究意义 | 第10-12页 |
| 1.2 文献检索情况概述 | 第12-15页 |
| 1.2.1 相关文献情况分析 | 第12页 |
| 1.2.2 学术趋势分析 | 第12-15页 |
| 1.3 国内外研究现状 | 第15-18页 |
| 1.3.1 基于控制图的预测方法 | 第15-16页 |
| 1.3.2 人工智能方法 | 第16-18页 |
| 1.4 主要研究内容 | 第18-20页 |
| 第2章 支持向量机理论及可行性分析 | 第20-33页 |
| 2.1 多品种小批量生产特点 | 第20-22页 |
| 2.2 学习机基本理论 | 第22-28页 |
| 2.2.1 常规机器学习 | 第23-24页 |
| 2.2.2 VC维理论 | 第24-25页 |
| 2.2.3 经验风险最小化原则 | 第25-27页 |
| 2.2.4 复杂边界与推广性 | 第27-28页 |
| 2.3 支持向量机理论 | 第28-31页 |
| 2.3.1 基本模型 | 第28-29页 |
| 2.3.2 线性可分支持向量机 | 第29-30页 |
| 2.3.3 线性不可分支持向量机 | 第30-31页 |
| 2.4 理论可行性分析 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 支持向量机模型核函数的确定 | 第33-46页 |
| 3.1 核函数概述 | 第33-35页 |
| 3.1.1 核函数的基本概念 | 第33页 |
| 3.1.2 Mercer定理 | 第33-34页 |
| 3.1.3 常用的核函数 | 第34-35页 |
| 3.2 质量预测模型核函数的选取 | 第35-37页 |
| 3.3 支持向量机核函数训练仿真 | 第37-44页 |
| 3.3.1 训练数据准备 | 第37-38页 |
| 3.3.2 训练数据预处理 | 第38-39页 |
| 3.3.3 核函数训练结果及评价 | 第39-44页 |
| 3.4 小结 | 第44-46页 |
| 第4章 支持向量机模型参数的选取 | 第46-59页 |
| 4.1 RBF径向量核函数的参数介绍 | 第46-48页 |
| 4.1.1 损失函数的惩罚参数C | 第46-47页 |
| 4.1.2 径向基核函数参数? | 第47-48页 |
| 4.1.3 不敏感损失函数参数? | 第48页 |
| 4.2 模型参数的选取方法 | 第48-52页 |
| 4.2.1 遗传算法 | 第49-50页 |
| 4.2.2 粒子群算法 | 第50-52页 |
| 4.3 RBF经向量核函数参数仿真训练 | 第52-58页 |
| 4.3.1 训练数据准备 | 第52页 |
| 4.3.2 确定训练参数范围 | 第52-55页 |
| 4.3.3 参数训练结果及评价 | 第55-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第5章 产品质量预测仿真 | 第59-67页 |
| 5.1 实验设计 | 第59-60页 |
| 5.2 仿真实验结果及评价 | 第60-66页 |
| 5.2.1 模型仿真结果 | 第60-64页 |
| 5.2.2 结果分析 | 第64-66页 |
| 5.3 本章小结 | 第66-67页 |
| 第6章 结论与展望 | 第67-70页 |
| 6.1 结论 | 第67-68页 |
| 6.2 展望 | 第68-70页 |
| 参考文献 | 第70-73页 |
| 在学期间研究成果 | 第73-74页 |
| 致谢 | 第74-75页 |
