| 摘要 | 第1-3页 |
| Abstract | 第3-7页 |
| 第一章 绪论 | 第7-16页 |
| ·引言 | 第7-9页 |
| ·研究背景 | 第9-15页 |
| ·机器学习的基本问题 | 第9-10页 |
| ·机器学习的发展史 | 第10-11页 |
| ·机器学习系统的基本结构 | 第11-12页 |
| ·机器学习的分类 | 第12-14页 |
| ·机器学习目前的研究领域与应用 | 第14页 |
| ·本文选题背景与学术意义 | 第14-15页 |
| ·本文内容安排 | 第15-16页 |
| 第二章 人工神经网络 | 第16-30页 |
| ·人工神经网络的概述 | 第16-19页 |
| ·人工神经网络发展简史 | 第16-17页 |
| ·人工神经网络的基本特征与功能 | 第17-18页 |
| ·人工神经网络的应用及研究方向 | 第18-19页 |
| ·神经网络的模型 | 第19-22页 |
| ·神经元的结构模型 | 第19-20页 |
| ·神经元的连接方式 | 第20-22页 |
| ·神经网络的学习算法 | 第22-24页 |
| ·径向基（RBF）网络的模型结构及其算法 | 第24-29页 |
| ·径向基（RBF）网络的结构及数学模型 | 第24-26页 |
| ·RBF 网络的训练算法 | 第26-28页 |
| ·RBF 网络的优点 | 第28页 |
| ·RBF 网络的应用及推广能力 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第三章 遗传算法 | 第30-38页 |
| ·遗传算法的主要优点及局限性 | 第30-31页 |
| ·基于遗传算法的应用 | 第31-32页 |
| ·遗传算法的基本原理与实现 | 第32-37页 |
| ·编码 | 第32-33页 |
| ·初始种群的产生 | 第33页 |
| ·遗传算法的基本操作 | 第33-36页 |
| ·适应度函数 | 第36-37页 |
| ·控制参数的设计 | 第37页 |
| ·本章小结 | 第37-38页 |
| 第四章 支持向量机的理论基础 | 第38-47页 |
| ·引言 | 第38-39页 |
| ·统计学习理论 | 第39-41页 |
| ·经验风险最小化原则 | 第39-40页 |
| ·VC 维的概念 | 第40页 |
| ·推广性的界理论 | 第40-41页 |
| ·结构风险最小化原则 | 第41页 |
| ·支持向量机 | 第41-45页 |
| ·SVM 的分类原理 | 第42-43页 |
| ·SVM 的回归原理及算法 | 第43-45页 |
| ·核函数 | 第45页 |
| ·本章小结 | 第45-47页 |
| 第五章 基于支持向量机的RBF 神经网络算法 | 第47-55页 |
| ·SVM 提供RBF 结构和参数的理论依据 | 第47-49页 |
| ·GA 提供SVM 的模型参数 | 第49-52页 |
| ·支持向量机模型参数对其性能的影响 | 第49-50页 |
| ·基于GA 的SVM 模型参数寻优 | 第50-52页 |
| ·SVM 为RBF 提供网络结构和参数 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 第六章 基于SVM 优化的RBF 算法应用及仿真 | 第55-64页 |
| ·系统辨识简介及神经网络辨识 | 第55-56页 |
| ·广义回归神经网络算法的系统辨识仿真实验 | 第56-59页 |
| ·使用随机模型参数的支持向量回归机的系统辨识仿真实验 | 第59-60页 |
| ·基于SVM 优化的RBF 网络的系统辨识仿真实验 | 第60-63页 |
| ·本章小结 | 第63-64页 |
| 第七章 总结与展望 | 第64-65页 |
| 参考文献 | 第65-67页 |
| 致谢 | 第67-68页 |
| 个人简历 在学期间发表的学术论文与研究成果 | 第68-69页 |