| 摘要 | 第1-10页 |
| ABSTRACT | 第10-13页 |
| 第一章 引言 | 第13-17页 |
| ·研究背景 | 第13-15页 |
| ·国内外研究现状 | 第15页 |
| ·论文的主要工作 | 第15-17页 |
| 第二章 统计学习理论和支持向量机 | 第17-25页 |
| ·统计学习理论 | 第17-20页 |
| ·学习问题的一般表示 | 第17页 |
| ·学习模型 | 第17-18页 |
| ·学习原理 | 第18-20页 |
| ·SVM简介 | 第20-24页 |
| ·支持向量分类机 | 第20-23页 |
| ·支持向量回归机 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第三章 经验知识与支持向量机的融合技术分析 | 第25-31页 |
| ·经验知识 | 第25页 |
| ·不变性常识与SVM的融合技术 | 第25-29页 |
| ·不变性常识核函数 | 第25-26页 |
| ·Virtual SV方法 | 第26页 |
| ·抖动核函数 | 第26-27页 |
| ·正切距离度量 | 第27-28页 |
| ·半定规划算法 | 第28-29页 |
| ·本章小结 | 第29-31页 |
| 第四章 基于最佳逼近点的不变性常识与SVM的融合方法 | 第31-39页 |
| ·基于最佳逼近点的不变性常识与SVM的融合方法 | 第31-34页 |
| ·不变性常识定义 | 第31页 |
| ·基于最佳逼近点的不变性常识与SVM的融合方法实现 | 第31-34页 |
| ·数值实验 | 第34-38页 |
| ·数据集说明 | 第34-35页 |
| ·BAPSVM，BAPSVM2算法性能分析 | 第35-36页 |
| ·BAPSVM2与VSV的对比实验 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 第五章 基于时间相关性的核构造方法 | 第39-46页 |
| ·时序核函数构造 | 第39-40页 |
| ·环境时序预测建模方法 | 第40-41页 |
| ·数值实验 | 第41-45页 |
| ·数据集说明 | 第41页 |
| ·人工数据 | 第41-42页 |
| ·真实数据 | 第42-45页 |
| ·本章小结 | 第45-46页 |
| 第六章 结论和展望 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 致谢 | 第50-51页 |
| 附录 | 第51-52页 |