| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 1 绪论 | 第10-14页 |
| ·问题的提出及研究意义 | 第10-11页 |
| ·问题的提出 | 第10-11页 |
| ·研究的意义 | 第11页 |
| ·国内外研究现状 | 第11-12页 |
| ·本文研究的目的和研究内容 | 第12-14页 |
| ·本文研究的目的 | 第12-13页 |
| ·本文研究的主要内容 | 第13-14页 |
| 2 特征向量的预处理 | 第14-17页 |
| ·变量的统计特征 | 第14-16页 |
| ·样本数据归一化方法 | 第16页 |
| ·本章小结 | 第16-17页 |
| 3 三种常用的参数寻优方法 | 第17-21页 |
| ·网格搜索法 | 第17-18页 |
| ·遗传算法 | 第18-19页 |
| ·粒子群算法 | 第19-20页 |
| ·本章小结 | 第20-21页 |
| 4 几种常用的回归方法 | 第21-31页 |
| ·多元线性回归方法 | 第21-25页 |
| ·最小二乘回归方法 | 第21-22页 |
| ·逐步回归方法 | 第22-23页 |
| ·偏最小二乘回归方法 | 第23-25页 |
| ·近邻回归方法 | 第25-26页 |
| ·K 近邻回归 | 第25页 |
| ·核K 近邻回归 | 第25-26页 |
| ·神经网络 | 第26-30页 |
| ·广义回归神经网络 | 第26-27页 |
| ·人工神经网络 | 第27-30页 |
| ·本章小结 | 第30-31页 |
| 5 统计学习理论与支持向量机 | 第31-45页 |
| ·统计学习理论 | 第31-34页 |
| ·经验风险最小化原则及其不足 | 第31-32页 |
| ·统计学习理论的主要思想 | 第32-34页 |
| ·支持向量机简介 | 第34-35页 |
| ·支持向量机回归原理 | 第35-39页 |
| ·线性回归情形 | 第35-37页 |
| ·非线性回归情形 | 第37-38页 |
| ·核函数 | 第38-39页 |
| ·常见支持向量回归机 | 第39-42页 |
| ·多输出支持向量回归机 | 第39-41页 |
| ·最小二乘支持向量回归机 | 第41-42页 |
| ·支持向量回归机的应用 | 第42-44页 |
| ·支持向量回归机用于工程领域 | 第42-43页 |
| ·支持向量回归机用于经济管理领域 | 第43页 |
| ·支持向量回归机用于社会科学领域 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 6 材料实验数据的支持向量回归分析及应用 | 第45-84页 |
| ·二维色谱有效塔板数的SVR 研究 | 第46-50页 |
| ·数据 | 第47-48页 |
| ·模型的建立 | 第48页 |
| ·结果分析与讨论 | 第48-50页 |
| ·结论 | 第50页 |
| ·基于配方的玻璃热膨胀系数的SVR 预测 | 第50-57页 |
| ·数据 | 第51-52页 |
| ·模型的建立 | 第52页 |
| ·结果分析与讨论 | 第52-57页 |
| ·结论 | 第57页 |
| ·不同海水环境下3C 钢腐蚀速度的SVR 建模与预测研究 | 第57-67页 |
| ·数据 | 第58-60页 |
| ·模型的建立 | 第60页 |
| ·结果分析与讨论 | 第60-67页 |
| ·结论 | 第67页 |
| ·木材导热系数的SVR 预测 | 第67-74页 |
| ·数据 | 第68-72页 |
| ·模型的建立 | 第72页 |
| ·结果分析与讨论 | 第72-74页 |
| ·结论 | 第74页 |
| ·不同工艺参数下热压合成AlON-TiN 复相材料抗弯强度的SVR 预测与分析 | 第74-79页 |
| ·数据 | 第75-76页 |
| ·模型的建立 | 第76页 |
| ·结果分析与讨论 | 第76-79页 |
| ·结论 | 第79页 |
| ·不同工艺参数下7005 铝合金力学性能的SVR 预测 | 第79-83页 |
| ·数据 | 第79-81页 |
| ·模型的建立 | 第81页 |
| ·结果分析与讨论 | 第81-83页 |
| ·结论 | 第83页 |
| ·本章小结 | 第83-84页 |
| 7 结论与展望 | 第84-85页 |
| ·主要结论 | 第84页 |
| ·后续研究工作的展望 | 第84-85页 |
| 致谢 | 第85-86页 |
| 参考文献 | 第86-95页 |
| 附录 | 第95-96页 |
