| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 致谢 | 第8-9页 |
| 目录 | 第9-12页 |
| 第一章 绪论 | 第12-39页 |
| ·统计学习理论概述 | 第12-16页 |
| ·统计学习理论的发展历史 | 第13-14页 |
| ·统计学习理论的主要内容 | 第14-16页 |
| ·支持向量机概述 | 第16-22页 |
| ·支持向量机概述 | 第16-18页 |
| ·支持向量机的原理 | 第18-22页 |
| ·支持向量机训练算法介绍 | 第22-33页 |
| ·SVM几何训练算法 | 第23-24页 |
| ·SVM代数训练算法 | 第24-31页 |
| ·其它SVM训练算法 | 第31-33页 |
| ·支持向量机的应用 | 第33-36页 |
| ·本文主要内容 | 第36-39页 |
| 第二章 改进的增量型支持向量机回归训练算法II-SVM-RTA | 第39-60页 |
| ·引言 | 第39-40页 |
| ·当前增量型支持向量机训练算法的主要问题 | 第40-41页 |
| ·增量型支持向量机回归训练基本算法 | 第41-51页 |
| ·支持向量回归和 KKT条件 | 第41-44页 |
| ·添加新样本的递增算法 | 第44-50页 |
| ·删除冗余样本的递减算法 | 第50-51页 |
| ·基本算法的改进处理 | 第51-54页 |
| ·当边缘支持向量集合为空集时的算法 | 第51页 |
| ·核函数缓存算法 | 第51-54页 |
| ·改进的增量型SVM训练算法II-SVM-RTA | 第54-56页 |
| ·递增算法 | 第54-55页 |
| ·删除冗余样本的算法 | 第55-56页 |
| ·基于增量型SVM训练算法的在线系统辨识 | 第56-59页 |
| ·结论 | 第59-60页 |
| 第三章 基于II-SVM-RTA的自适应逆模型控制 | 第60-71页 |
| ·引言 | 第60-61页 |
| ·直接逆模型控制原理简介 | 第61-63页 |
| ·基于II-SVM-RTA的自适应逆模型控制 | 第63-64页 |
| ·仿真与对比 | 第64-69页 |
| ·结论 | 第69-71页 |
| 第四章 基于II-SVM-RTA的内部模型控制 | 第71-81页 |
| ·引言 | 第71-72页 |
| ·内模控制原理简介 | 第72-75页 |
| ·基本结构与应用 | 第72-73页 |
| ·内模控制的建模方法 | 第73-74页 |
| ·内模控制的研究内容及存在的问题 | 第74-75页 |
| ·基于II-SVM-RTA的内部模型控制 | 第75-78页 |
| ·构造内部模型 | 第75-76页 |
| ·设计逆模型控制器 | 第76-77页 |
| ·内模控制算法 | 第77-78页 |
| ·仿真试验 | 第78-80页 |
| ·结论 | 第80-81页 |
| 第五章 基于II-SVM-RTA的预测控制 | 第81-98页 |
| ·引言 | 第81-82页 |
| ·模型预测控制原理简介 | 第82-86页 |
| ·基本原理 | 第82页 |
| ·模型预测控制的发展现状 | 第82-84页 |
| ·模型预测控制存在问题及发展方向 | 第84-86页 |
| ·基于II-SVM-RTA的预测控制 | 第86-89页 |
| ·非线性预测控制模型 | 第86-87页 |
| ·参考轨迹和反馈校正 | 第87页 |
| ·优化目标函数和优化控制策略 | 第87-88页 |
| ·基于II-SVM-RTA的自适应非线性模型预测控制算法 | 第88-89页 |
| ·仿真试验 | 第89-96页 |
| ·结论 | 第96-98页 |
| 第六章 基于加权回归模型的增量型支持向量机在线回归训练算法 | 第98-116页 |
| ·引言 | 第98-99页 |
| ·基于加权回归模型的增量型支持向量机在线回归训练算法WI-SVM-RTA | 第99-108页 |
| ·支持向量机的加权回归模型 | 第99-103页 |
| ·删除冗余样本的新算法 | 第103-105页 |
| ·基于核函数缓存的WI-SVM-RTA | 第105-108页 |
| ·基于WI-SVM-RTA的系统辨识与仿真对比 | 第108-115页 |
| ·基于WI-SVM-RTA的系统辨识 | 第108-109页 |
| ·仿真实验 | 第109-114页 |
| ·与标准增量型训练算法的比较 | 第114-115页 |
| ·结论 | 第115-116页 |
| 第七章 总结与展望 | 第116-119页 |
| 参考文献 | 第119-133页 |
| 附录 | 第133-134页 |
