| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 论文背景和意义 | 第8-11页 |
| 1.2 国内外研究动态 | 第11-13页 |
| 1.3 本文研究内容 | 第13-15页 |
| 1.4 章节安排 | 第15-16页 |
| 第2章 支持向量机的原理 | 第16-28页 |
| 2.1 机器学习 | 第16页 |
| 2.2 统计学习理论 | 第16-17页 |
| 2.3 VC维理论 | 第17-18页 |
| 2.4 结构风险 | 第18-19页 |
| 2.5 支持向量机理论 | 第19-22页 |
| 2.5.1 线性可分 | 第19-20页 |
| 2.5.2 几何间隔与误分次数 | 第20页 |
| 2.5.3 二次规划模型及求解 | 第20-22页 |
| 2.6 线性不可分情况讨论 | 第22-24页 |
| 2.6.1 核函数 | 第22-23页 |
| 2.6.2 松弛变量 | 第23页 |
| 2.6.3 非线性情形的模型及求解 | 第23-24页 |
| 2.7 支持向量回归理论 | 第24-26页 |
| 2.8 分类与回归的关系 | 第26-27页 |
| 2.9 本章小结 | 第27-28页 |
| 第3章 基于粒子群参数优化的支持向量机方法 | 第28-48页 |
| 3.1 支持向量机的参数 | 第28页 |
| 3.2 求解参数的传统方法 | 第28-29页 |
| 3.3 粒子群算法 | 第29-32页 |
| 3.3.1 粒子群算法概述 | 第29-30页 |
| 3.3.2 算法的描述 | 第30页 |
| 3.3.3 基本流程 | 第30-32页 |
| 3.4 基于粒子群参数优化的支持向量机方法（PSO-SVR） | 第32-34页 |
| 3.5 算例及分析 | 第34-46页 |
| 3.5.1 算例一：属性间无相关性问题 | 第34-39页 |
| 3.5.2 算例二：属性间强相关性问题——期刊评价 | 第39-46页 |
| 3.6 本章小结 | 第46-48页 |
| 第4章 基于主成分分析的支持向量回归决策方法 | 第48-57页 |
| 4.1 主成分分析法 | 第48-50页 |
| 4.1.1 算法概述 | 第48-49页 |
| 4.1.2 主成分分析法的计算步骤 | 第49-50页 |
| 4.2 主成分分析法MATLAB实现 | 第50-51页 |
| 4.3 基于PCA的SVR多属性决策方法 | 第51页 |
| 4.4 算例分析 | 第51-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第5章 结论 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 在学研究成果 | 第62-63页 |
| 致谢 | 第63页 |