| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第一章 绪论 | 第10-15页 |
| ·课题研究背景及意义 | 第10页 |
| ·研究现状及发展方向 | 第10-11页 |
| ·软测量技术简介 | 第11-13页 |
| ·本文主要内容及章节安排 | 第13-14页 |
| ·创新之处 | 第14-15页 |
| 第二章 软测量技术综述 | 第15-24页 |
| ·软测量技术发展背景 | 第15-16页 |
| ·软测量技术基本原理 | 第16-17页 |
| ·影响软测量模型性能的主要因素 | 第17-19页 |
| ·辅助变量的选择 | 第17-19页 |
| ·建模方法的选择 | 第19页 |
| ·软测量模型的维护与在线校正 | 第19页 |
| ·主导变量与辅助变量之间的时序匹配 | 第19页 |
| ·软测量建模基本方法综述 | 第19-23页 |
| ·机理分析软测量建模 | 第20页 |
| ·基于数据驱动的建模方法 | 第20-22页 |
| ·混合建模方法 | 第22-23页 |
| ·软测量技术展望 | 第23-24页 |
| 第三章 支持向量机理论 | 第24-46页 |
| ·支持向量机的研究背景 | 第24页 |
| ·机器学习基本理论 | 第24-26页 |
| ·一般学习问题的表示 | 第24-25页 |
| ·经验风险最小化原则 | 第25-26页 |
| ·统计学习理论简述 | 第26-29页 |
| ·中心内容 | 第26页 |
| ·VC 维与泛化误差界 | 第26-28页 |
| ·结构风险最小化原则（SRM） | 第28-29页 |
| ·Mercer 核与支持向量机 | 第29-31页 |
| ·分类支持向量机 | 第31-37页 |
| ·线性支持向量分类机算法 | 第31-34页 |
| ·非线性支持向量机分类算法 | 第34-37页 |
| ·回归支持向量机 | 第37-42页 |
| ·回归问题的统计学提法 | 第37-38页 |
| ·线性支持向量机回归算法 | 第38-40页 |
| ·非线性支持向量机回归算法 | 第40-42页 |
| ·支持向量机的经典算法综述 | 第42-46页 |
| ·求解大量数据的支持向量机算法 | 第42页 |
| ·选块算法(Chunking) | 第42-43页 |
| ·分解算法(Decomposing) | 第43-44页 |
| ·序列最小最优化(SMO)算法 | 第44-46页 |
| 第四章 基于智能算法的支持向量机参数优化选择 | 第46-58页 |
| ·参数类型 | 第46-49页 |
| ·基于智能优化算法的参数寻优 | 第49-54页 |
| ·遗传算法参数寻优 | 第50-52页 |
| ·粒子群优化算法(PSO) | 第52-54页 |
| ·仿真实验 | 第54-57页 |
| ·小结 | 第57-58页 |
| 第五章 线性组合核函数支持向量回归机算法 | 第58-66页 |
| ·核技巧与支持向量机 | 第58-62页 |
| ·核函数 | 第58页 |
| ·两种简单的传统基核函数 | 第58-62页 |
| ·合成核函数的构造 | 第62-64页 |
| ·多核线性组合合成方法 | 第62-63页 |
| ·其他改进合成核方法 | 第63-64页 |
| ·一种线性组合自适应核函数 | 第64-65页 |
| ·小结 | 第65-66页 |
| 第六章 支持向量回归机算法在印染废水处理软测量模型中的应用 | 第66-77页 |
| ·工艺分析 | 第66-67页 |
| ·支持向量机软测量建模仿真分析 | 第67-77页 |
| 第七章 总结与展望 | 第77-79页 |
| ·本文总结 | 第77-78页 |
| ·发展展望 | 第78-79页 |
| 参考文献 | 第79-81页 |
| 附录 | 第81-87页 |
| 附表一、酸性品红检测记录数据 | 第81-84页 |
| 附表二、碱性品红检测记录数据 | 第84-86页 |
| 附表三、符号表 | 第86-87页 |
| 致谢 | 第87-88页 |
| 个人简历 | 第88页 |
| 在校期间发表的学术论文及研究成果 | 第88页 |