| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 变量注释表 | 第16-17页 |
| 1 绪论 | 第17-25页 |
| 1.1 研究背景及意义 | 第17-19页 |
| 1.2 国内外研究现状 | 第19-23页 |
| 1.3 本文主要研究内容 | 第23-24页 |
| 1.4 本章小结 | 第24-25页 |
| 2 最小二乘支持向量机理论 | 第25-37页 |
| 2.1 机器学习问题的描述 | 第25-26页 |
| 2.2 统计学习理论的基本理论 | 第26-29页 |
| 2.3 支持向量分类机 | 第29-32页 |
| 2.4 支持向量回归机 | 第32-34页 |
| 2.5 核函数 | 第34-35页 |
| 2.6 最小二乘支持向量机 | 第35-36页 |
| 2.7 本章小节 | 第36-37页 |
| 3 最小二乘支持向量机增量学习算法 | 第37-47页 |
| 3.1 支持向量机增量学习算法 | 第37-39页 |
| 3.2 稀疏最小二乘支持向量机 | 第39-40页 |
| 3.3 基于遗传算法的最小二乘支持向量机剪枝算法 | 第40-45页 |
| 3.4 基于剪枝处理的最小二乘支持向量机增量学习算法 | 第45-46页 |
| 3.5 本章小节 | 第46-47页 |
| 4 工字轮校正装置设计及校正实验 | 第47-61页 |
| 4.1 工字轮校正原理 | 第47页 |
| 4.2 工字轮校正装置的结构设计 | 第47-49页 |
| 4.3 工字轮校正装置的硬件选型 | 第49-52页 |
| 4.4 工字轮校正装置的软件设计 | 第52-57页 |
| 4.5 工字轮校正实验 | 第57-60页 |
| 4.6 本章小节 | 第60-61页 |
| 5 基于PIL-LSSVM的工字轮校正行程预测 | 第61-78页 |
| 5.1 建模参数的选择 | 第61-65页 |
| 5.2 基于BP神经网络的工字轮校正行程预测 | 第65-70页 |
| 5.3 基于GA-LSSVM的工字轮校正行程预测 | 第70-75页 |
| 5.4 基于PIL-LSSVM的工字轮校正行程预测及结果分析 | 第75-77页 |
| 5.5 本章小节 | 第77-78页 |
| 6 结论与展望 | 第78-81页 |
| 6.1 结论 | 第78-79页 |
| 6.2 展望 | 第79-81页 |
| 参考文献 | 第81-87页 |
| 附录1 | 第87-89页 |
| 附录2 | 第89-93页 |
| 作者简历 | 第93-96页 |
| 学位论文数据集 | 第96页 |