| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第一章 绪论 | 第8-14页 |
| ·引言 | 第8页 |
| ·温度控制系统发展现状 | 第8-9页 |
| ·理论背景 | 第9-11页 |
| ·SVM的研究现状 | 第11-12页 |
| ·项目背景 | 第12页 |
| ·本文的仿真实验方法 | 第12页 |
| ·本文主要研究内容及结构安排 | 第12-14页 |
| 第二章 统计学习理论 | 第14-18页 |
| ·机器学习的基本问题 | 第14-15页 |
| ·机器学习的表示方法 | 第14页 |
| ·经验风险最小化(ERM,Empirical Risk Minimization)准则 | 第14-15页 |
| ·统计学习理论的核心内容 | 第15-17页 |
| ·函数集的VC维 | 第15页 |
| ·函数集推广性的界 | 第15-16页 |
| ·结构风险最小化(SRM,Structure Risk Minimization)准则 | 第16页 |
| ·如何实现结构风险最小化准则 | 第16-17页 |
| ·本章小结 | 第17-18页 |
| 第三章 支持向量机 | 第18-28页 |
| ·支持向量机方法的优点 | 第18页 |
| ·支持向量机三个部分 | 第18页 |
| ·支持向量机基本思想 | 第18-19页 |
| ·支持向量机算法 | 第19-25页 |
| ·最优超平面 | 第19-20页 |
| ·求解最优超平面 | 第20-21页 |
| ·非线性问题的最优超平面 | 第21-22页 |
| ·支持向量机的定义 | 第22页 |
| ·支持向量机的核心关键——核函数 | 第22-23页 |
| ·支持向量机方法的matlab仿真 | 第23-25页 |
| ·支持向量机的应用 | 第25-27页 |
| ·本章小结 | 第27-28页 |
| 第四章 支持向量机算法的优化 | 第28-49页 |
| ·最小二乘支持向量机LS-SVM | 第28-30页 |
| ·最小二乘支持向量分类机 | 第28-29页 |
| ·最小二乘支持向量回归机 | 第29-30页 |
| ·最小二乘支持向量机的特点 | 第30-31页 |
| ·最小二乘支持向量机的优化算法 | 第31-34页 |
| ·算法稀疏性的影响 | 第31页 |
| ·稀疏性是如何失去的 | 第31-32页 |
| ·剪枝算法的提出 | 第32页 |
| ·最小二乘支持向量分类机的剪枝算法 | 第32-33页 |
| ·最小二乘支持向量回归机的剪枝算法 | 第33-34页 |
| ·最小二乘支持向量机方法的matlab仿真 | 第34-43页 |
| ·最小二乘支持向量机剪枝算法matlab仿真 | 第43-48页 |
| ·分类机剪枝算法仿真 | 第43-46页 |
| ·回归机剪枝算法仿真 | 第46-48页 |
| ·本章小结 | 第48-49页 |
| 第五章 基于SVM的温度预测仿真实验及分析 | 第49-55页 |
| ·研究对象概况 | 第49-50页 |
| ·确定模型的输入输出 | 第50页 |
| ·数据归一化 | 第50-51页 |
| ·本实验仿真流程 | 第51页 |
| ·本实验算法步骤 | 第51-52页 |
| ·模型性能分析 | 第52-55页 |
| ·LS-SVM模型性能分析 | 第53页 |
| ·LS-SVM剪枝后模型的性能分析 | 第53-55页 |
| 第六章 结束语 | 第55-56页 |
| ·本文所做的工作 | 第55页 |
| ·展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59页 |
| 研究生期间参与的项目 | 第59页 |
| 攻读硕士学位期间发表的学术论文 | 第59页 |