| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-13页 |
| ·研究背景 | 第8页 |
| ·发酵过程建模方法的研究现状 | 第8-11页 |
| ·基于机理分析建模 | 第9页 |
| ·基于回归分析建模 | 第9-10页 |
| ·基于人工神经网络建模 | 第10页 |
| ·基于支持向量机建模 | 第10-11页 |
| ·本课题主要研究内容及论文安排 | 第11-13页 |
| 2 支持向量机简介 | 第13-22页 |
| ·统计学习理论 | 第13-15页 |
| ·机器学习 | 第13-14页 |
| ·经验风险最小原则 | 第14页 |
| ·结构风险最小原则 | 第14-15页 |
| ·支持向量机 | 第15-22页 |
| ·最优超平面 | 第16-17页 |
| ·支持向量分类机 | 第17-18页 |
| ·支持向量回归机 | 第18-20页 |
| ·核函数 | 第20-22页 |
| 3 基于支持向量机的大肠杆菌高密度发酵过程建模 | 第22-38页 |
| ·大肠杆菌高密度发酵 | 第22-25页 |
| ·大肠杆菌高密度发酵简介 | 第22页 |
| ·影响大肠杆菌高密度发酵的因素 | 第22-24页 |
| ·大肠杆菌高密度发酵补料方式 | 第24-25页 |
| ·基于支持向量机的大肠杆菌高密度发酵过程建模 | 第25-31页 |
| ·基于BP神经网络的大肠杆菌高密度发酵过程建模 | 第31-35页 |
| ·支持向量机与BP神经网络建模的性能比较 | 第35-37页 |
| ·数据比较与分析 | 第35-36页 |
| ·结论 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 4 基于蚁群算法的SVM参数优化 | 第38-46页 |
| ·蚁群优化算法 | 第38-41页 |
| ·蚁群算法的生物学基本原理 | 第38-39页 |
| ·蚁群算法的数学基本原理 | 第39-41页 |
| ·基于蚁群算法的SVM参数优化 | 第41-45页 |
| ·参数对SVM的影响 | 第41-42页 |
| ·支持向量机参数优化方法 | 第42页 |
| ·蚁群算法优化SVM参数 | 第42-45页 |
| ·本章小结 | 第45-46页 |
| 5 基于参数优化SVM的大肠杆菌高密度发酵过程建模应用 | 第46-52页 |
| ·优化参数的SVM具体应用 | 第46-51页 |
| ·数据比较与分析 | 第46-50页 |
| ·结论 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 结论 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士学位期间发表学术论文情况 | 第57-58页 |
| 致谢 | 第58-60页 |