| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 第一章 绪论 | 第8-13页 |
| ·研究背景及选题意义 | 第8-9页 |
| ·RBF神经网络和支持向量机的发展及研究现状 | 第9-11页 |
| ·RBF神经网络的发展及研究现状 | 第9-10页 |
| ·支持向量机的发展及研究现状 | 第10-11页 |
| ·课题的研究内容及论文组织 | 第11-13页 |
| 第二章 主成分分析原理 | 第13-18页 |
| ·引言 | 第13页 |
| ·主成分分析的基本思想 | 第13-14页 |
| ·主成分变换 | 第14-16页 |
| ·主成分分析 | 第16-17页 |
| ·本章小结 | 第17-18页 |
| 第三章 基于主成分分析的RBF神经网络参数优化 | 第18-36页 |
| ·人工神经网络概述 | 第18-20页 |
| ·人工神经网络的背景及发展 | 第18-19页 |
| ·人工神经网络的特点 | 第19-20页 |
| ·RBF神经网络模型 | 第20-23页 |
| ·径向基函数 | 第20-22页 |
| ·RBF神经元模型 | 第22页 |
| ·RBF神经网络结构 | 第22-23页 |
| ·RBF神经网络的逼近性能 | 第23页 |
| ·RBF神经网络的学习算法 | 第23-25页 |
| ·中心的无监督学习算法 | 第24页 |
| ·中心的监督学习算法 | 第24-25页 |
| ·归一化RBF神经网络 | 第25-29页 |
| ·RBF神经网络径向基函数宽度的确定方法分析 | 第29-31页 |
| ·几种主要的径向基函数的宽度确定方法分析 | 第29-30页 |
| ·归一化RBF神经网络的径向基函数的宽度确定方法分析 | 第30-31页 |
| ·基于主成分分析的RBF神经网络参数优化方法及网络建模 | 第31-35页 |
| ·RBF神经网络参数优化方法 | 第31-32页 |
| ·归一化RBF神经网络参数优化方法 | 第32-33页 |
| ·RBF神经网络结构优化方法 | 第33-34页 |
| ·基于主成分分析的RBF神经网络建模 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第四章 基于主成分分析的支持向量机参数优化 | 第36-45页 |
| ·支持向量机 | 第36-43页 |
| ·支持向量机的历史背景和研究 | 第36-37页 |
| ·统计学习理论 | 第37-40页 |
| ·支持向量机分类 | 第40-42页 |
| ·支持向量机回归 | 第42-43页 |
| ·基于主成分分析的支持向量机建模方法 | 第43-44页 |
| ·支持向量机径向基函数宽度优化方法 | 第43-44页 |
| ·基于主成分分析的支持向量机建模 | 第44页 |
| ·本章小结 | 第44-45页 |
| 第五章 仿真实验研究 | 第45-56页 |
| ·引言 | 第45-46页 |
| ·样本的主成分分析 | 第46-47页 |
| ·基于主成分分析的RBF神经网络仿真实验研究 | 第47-50页 |
| ·基于主成分分析的归一化RBF神经网络仿真实验研究 | 第50-52页 |
| ·基于主成分分析的支持向量机仿真实验研究 | 第52-55页 |
| ·支持向量机程序设计 | 第52-53页 |
| ·基于主成分分析的支持向量机的实现 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 第六章 结论与展望 | 第56-58页 |
| ·结论 | 第56-57页 |
| ·展望 | 第57-58页 |
| 附表一 原始数据样本库 | 第58-60页 |
| 附表二 标准化数据样本库 | 第60-62页 |
| 附表三 主成分分析后的样本库 | 第62-64页 |
| 附表四 主成分分析及参数优化后的样本库 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 致谢 | 第71-72页 |
| 攻读硕士学位期间的论文发表和科研情况 | 第72页 |
