| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 论文研究内容 | 第11-12页 |
| 1.4 论文组织结构 | 第12-13页 |
| 2 最小二乘支持向量机 | 第13-21页 |
| 2.1 支持向量机理论 | 第13-18页 |
| 2.1.1 线性支持向量机 | 第13-16页 |
| 2.1.2 非线性支持向量机 | 第16-17页 |
| 2.1.3 核函数 | 第17-18页 |
| 2.1.4 支持向量机的局限性 | 第18页 |
| 2.2 最小二乘支持向量机理论 | 第18-20页 |
| 2.3 本章小结 | 第20-21页 |
| 3 基于聚类算法的稀疏化最小二乘支持向量机研究 | 第21-35页 |
| 3.1 稀疏最小二乘支持向量机 | 第21页 |
| 3.2 聚类算法 | 第21-26页 |
| 3.2.1 K均值聚类算法 | 第22-24页 |
| 3.2.2 均值平移聚类算法 | 第24-26页 |
| 3.2.3 两种聚类算法比较 | 第26页 |
| 3.3 基于均值平移聚类算法的稀疏最小二乘支持向量机模型 | 第26-30页 |
| 3.3.1 支持向量的确定 | 第26-28页 |
| 3.3.2 支持向量聚类 | 第28-30页 |
| 3.4 实验仿真 | 第30-33页 |
| 3.4.1 实验环境与数据库介绍 | 第30-31页 |
| 3.4.2 实验结果与分析 | 第31-33页 |
| 3.5 本章小结 | 第33-35页 |
| 4 基于稀疏最小二乘支持向量机模型的直拉单晶硅温度检测 | 第35-49页 |
| 4.1 直拉单晶硅的温度检测模型 | 第35-37页 |
| 4.2 基于稀疏最小二乘支持向量机模型的直拉单晶硅温度检测模型 | 第37-38页 |
| 4.3 实验结果与分析 | 第38-47页 |
| 4.3.1 光圈图像特征值提取 | 第38-45页 |
| 4.3.2 模型性能比较 | 第45-47页 |
| 4.4 本章小结 | 第47-49页 |
| 5 结论与展望 | 第49-51页 |
| 5.1 结论 | 第49页 |
| 5.2 展望 | 第49-51页 |
| 致谢 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 附录 | 第57页 |
| 攻读硕士期间发表论文、获奖情况 | 第57页 |
