小波支持向量回归模型及其应用研究
| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第1章 绪论 | 第12-33页 |
| ·研究背景和意义 | 第12-13页 |
| ·多分辨分析和频率特性 | 第13-16页 |
| ·多分辨分析理论 | 第13-15页 |
| ·小波函数与尺度函数的频率特性 | 第15-16页 |
| ·支持向量机理论 | 第16-26页 |
| ·结构风险最小化 | 第16-18页 |
| ·支持向量回归 | 第18-20页 |
| ·线性规划支持向量回归 | 第20-22页 |
| ·最小二乘支持向量机 | 第22-24页 |
| ·支持向量回归机的泛化性能力 | 第24-26页 |
| ·小波支持向量机 | 第26-29页 |
| ·核函数问题 | 第26-27页 |
| ·小波支持向量机研究现状 | 第27-29页 |
| ·再生核HILBERT空间(RKHS)理论 | 第29-31页 |
| ·本论文的主要研究内容 | 第31-33页 |
| 第2章 线性规划的小波支持向量回归模型研究 | 第33-71页 |
| ·多尺度小波核支持向量回归模型(LP-SVR1) | 第34-43页 |
| ·多尺度小波核 | 第34-36页 |
| ·LP-SVR1模型的学习算法 | 第36-39页 |
| ·仿真研究 | 第39-43页 |
| ·尺度核支持向量回归模型(LP-SVR2) | 第43-53页 |
| ·尺度核 | 第43-44页 |
| ·LP-SVR2模型的学习算法 | 第44-50页 |
| ·仿真研究 | 第50-53页 |
| ·多分辨核的支持向量回归模型(LP-SVR3) | 第53-63页 |
| ·多分辨核 | 第53-55页 |
| ·LP-SVR3模型的学习算法 | 第55-61页 |
| ·仿真研究 | 第61-63页 |
| ·频率特性分析 | 第63-69页 |
| ·回归模型的频率特性分析 | 第63-69页 |
| ·已有的小波支持向量回归模型的频率特性 | 第69页 |
| ·本章小结 | 第69-71页 |
| 第3章 再生核最小二乘小波支持向量回归模型研究 | 第71-91页 |
| ·再生核支持向量回归模型(M-LSSVM) | 第71-84页 |
| ·再生核 | 第71-80页 |
| ·再生核的支持向量回归模型 | 第80-81页 |
| ·仿真研究 | 第81-84页 |
| ·交通流量的实时预测 | 第84-90页 |
| ·数据来源 | 第84-85页 |
| ·交通流量的预测 | 第85-90页 |
| ·小结 | 第90页 |
| ·本章小结 | 第90-91页 |
| 第4章 支持向量机在异步电机辨识中的应用 | 第91-108页 |
| ·异步电机的数学模型和矢量控制系统 | 第91-96页 |
| ·异步电机的数学模型 | 第91-94页 |
| ·矢量控制系统 | 第94-96页 |
| ·神经网络—变结构控制策略在异步电机中的应用 | 第96-102页 |
| ·电机转子磁场定向的数学模型 | 第96-97页 |
| ·滑模—变结构控制器的设计 | 第97-99页 |
| ·神经网络变结构控制器的设计 | 第99-101页 |
| ·仿真和结果分析 | 第101-102页 |
| ·基于支持向量回归辨识器的滑模控制 | 第102-107页 |
| ·滑模控制原理 | 第103-104页 |
| ·支持向量回归辩识ρ的大小 | 第104-105页 |
| ·实验结果 | 第105-107页 |
| ·结论 | 第107-108页 |
| 第5章 结论与展望 | 第108-110页 |
| ·主要结论 | 第108-109页 |
| ·后续工作的展望 | 第109-110页 |
| 致谢 | 第110-111页 |
| 参考文献 | 第111-120页 |
| 攻读博士学位期间发表的论文和科研情况 | 第120页 |
