| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 1 绪论 | 第11-21页 |
| ·机器学习概述 | 第11-13页 |
| ·高炉冶炼过程简介 | 第13-15页 |
| ·基于串联质谱数据的多肽鉴定 | 第15-16页 |
| ·本文组织结构及研究内容 | 第16-21页 |
| 2 核与核学习算法 | 第21-33页 |
| ·再生核Hilbert空间与再生核 | 第21-24页 |
| ·基于核的机器学习算法 | 第24-32页 |
| ·支持向量机 | 第24-28页 |
| ·支持向量回归机 | 第28-31页 |
| ·最小二乘支持向量机 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 3 滑动窗口光滑支持向量回归机模型及其应用 | 第33-47页 |
| ·背景介绍 | 第33-34页 |
| ·SSVR简介 | 第34-36页 |
| ·SW-SSVR预测模型 | 第36-37页 |
| ·应用与验证 | 第37-44页 |
| ·选取高炉输入输出变量 | 第37-39页 |
| ·实验数据 | 第39-40页 |
| ·预测结果与讨论 | 第40-44页 |
| ·本章小结 | 第44-47页 |
| 4 二进制编码SVM多分类算法及其应用 | 第47-63页 |
| ·背景介绍 | 第47-48页 |
| ·多分类SVM算法 | 第48-50页 |
| ·二进制编码SVM算法设计 | 第50-54页 |
| ·编码过程 | 第50页 |
| ·训练二进制编码SVM | 第50页 |
| ·解码过程 | 第50-52页 |
| ·二进制编码SVM的概率输出 | 第52-54页 |
| ·应用案例：高炉铁水硅含量变化趋势预报 | 第54-60页 |
| ·试验数据及数据预处理 | 第54-56页 |
| ·二进制编码SVM的应用及性能评价 | 第56-60页 |
| ·本章小结 | 第60-63页 |
| 5 多核学习算法设计与应用 | 第63-81页 |
| ·多核学习算法简介 | 第63-66页 |
| ·SVM MKL | 第64-65页 |
| ·l_2-norm MKL | 第65-66页 |
| ·LS-SVM MKL | 第66-70页 |
| ·LS-SVM MKL的SDP形式 | 第66-68页 |
| ·LS-SVM MKL的QCQP形式 | 第68页 |
| ·统一优化核参数与正则化参数 | 第68-70页 |
| ·试验验证 | 第70-80页 |
| ·基于LS-SVM的MKL vs.基于SVM的MKL | 第70-73页 |
| ·LS-SVM MKL vs.LS-SVM交叉验证 | 第73页 |
| ·正则化参数的作用 | 第73-75页 |
| ·应用MKL整合生物信息学中的异质数据 | 第75-76页 |
| ·应用MKL整合复杂工业系统中的异质数据 | 第76-78页 |
| ·应用MKL进行变量选择 | 第78-80页 |
| ·本章小结 | 第80-81页 |
| 6 De-Noise算法鉴定多肽 | 第81-95页 |
| ·背景介绍 | 第81-84页 |
| ·问题描述 | 第84页 |
| ·De-Noise算法鉴定多肽 | 第84-89页 |
| ·核方法处理非线性问题 | 第86-87页 |
| ·De-Noise算法流程 | 第87页 |
| ·试验验证 | 第87-89页 |
| ·Fuzzy SVM鉴定多肽 | 第89-92页 |
| ·Fuzzy SVM模型 | 第90-91页 |
| ·模糊隶属度的计算 | 第91页 |
| ·试验验证 | 第91-92页 |
| ·本章小结 | 第92-95页 |
| 结论与展望 | 第95-97页 |
| 参考文献 | 第97-105页 |
| 论文创新点摘要 | 第105-107页 |
| 攻读博士学位期间学术论文完成情况 | 第107-109页 |
| 攻读博士学位期间参与的科研项目 | 第109-111页 |
| 致谢 | 第111-113页 |
| 作者简介 | 第113-115页 |