| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 研究现状 | 第13-16页 |
| 1.2.1 支持向量机算法国内外研究现状 | 第13-14页 |
| 1.2.2 集成学习算法的国内外研究现状 | 第14-16页 |
| 1.3 主要研究内容与创新点 | 第16-17页 |
| 1.4 论文结构安排 | 第17-18页 |
| 第二章 机器学习与支持向量机综述 | 第18-32页 |
| 2.1 引言 | 第18页 |
| 2.2 机器学习理论 | 第18-20页 |
| 2.2.1 机器学习的表示方法 | 第18-20页 |
| 2.2.2 机器学习的泛化能力 | 第20页 |
| 2.3 统计学习理论 | 第20-23页 |
| 2.3.1 VC 维理论与推广性界 | 第21-22页 |
| 2.3.2 结构风险最小化原则 | 第22-23页 |
| 2.4 支持向量机 | 第23-31页 |
| 2.4.1 最优化理论 | 第24-26页 |
| 2.4.2 最优间隔分类器 | 第26-27页 |
| 2.4.3 核函数 | 第27-29页 |
| 2.4.4 支持向量分类机 | 第29-30页 |
| 2.4.5 支持向量回归机 | 第30-31页 |
| 2.5 小结 | 第31-32页 |
| 第三章 基于支持向量机的预测回归模型 | 第32-43页 |
| 3.1 引言 | 第32页 |
| 3.2 基于 SVM 的回归模型 | 第32-36页 |
| 3.2.1 LIBSVM 工具箱 | 第32-34页 |
| 3.2.2 归一化预处理 | 第34-35页 |
| 3.2.3 训练过程参数选择 | 第35-36页 |
| 3.3 SVM 的信息粒化回归预测 | 第36-39页 |
| 3.3.1 信息粒化理论 | 第36-37页 |
| 3.3.2 模糊信息粒化方法与模型 | 第37-38页 |
| 3.3.3 基于粒化数据的 SVM 回归模型 | 第38-39页 |
| 3.4 实验结果与分析 | 第39-42页 |
| 3.4.1 回归模型结果分析 | 第39-41页 |
| 3.4.2 信息粒化预测结果分析 | 第41-42页 |
| 3.5 小结 | 第42-43页 |
| 第四章 模糊粒度与集成学习的支持向量机预测模型优化 | 第43-57页 |
| 4.1 引言 | 第43页 |
| 4.2 基于模糊粒度的动态聚类算法 | 第43-47页 |
| 4.2.1 基于距离的动态聚类算法 | 第43-44页 |
| 4.2.2 模糊聚类分析 | 第44-45页 |
| 4.2.3 基于模糊粒度计算的动态聚类 | 第45-47页 |
| 4.3 集成学习理论 | 第47-51页 |
| 4.3.1 子学习器构造方法 | 第48-49页 |
| 4.3.2 子学习器组合方法 | 第49页 |
| 4.3.3 集成学习经典算法 | 第49-51页 |
| 4.4 动态聚类集成学习算法 | 第51-53页 |
| 4.4.1 动态聚类集成学习算法原理 | 第51-52页 |
| 4.4.2 基于模糊粒度聚类的子训练集构建 | 第52-53页 |
| 4.5 实验结果与分析 | 第53-56页 |
| 4.5.1 子训练集构建结果 | 第53-54页 |
| 4.5.2 集成学习 SVM 预测结果 | 第54-56页 |
| 4.5.3 结果分析 | 第56页 |
| 4.6 小结 | 第56-57页 |
| 第五章 软件系统平台实现 | 第57-63页 |
| 5.1 引言 | 第57页 |
| 5.2 开发平台所用软件 | 第57-58页 |
| 5.3 系统平台实现与预测算法应用 | 第58-62页 |
| 5.3.1 系统平台框架与功能 | 第58-59页 |
| 5.3.2 Matlab 接口调用与数据存储 | 第59-60页 |
| 5.3.3 预测结果画图显示模块 | 第60-62页 |
| 5.4 小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 总结 | 第63-64页 |
| 6.2 展望 | 第64-65页 |
| 参考文献 | 第65-71页 |
| 致谢 | 第71-72页 |
| 攻读硕士期间发表的论文和参加的项目 | 第72-73页 |
| 1、攻读硕士学位期间参加的项目 | 第72页 |
| 2、攻读硕士学位期间发表的论文 | 第72页 |
| 3、攻读硕士学位期间申请的专利 | 第72-73页 |
| 附录一 模糊聚类算法主要实现 | 第73-76页 |
| 附录二 基于支持向量机的预测回归模型实现 | 第76-82页 |
| 附录三 信息粒度化支持向量机回归预测主要实现 | 第82-84页 |