| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第一章 绪论 | 第9-13页 |
| ·研究背景及意义 | 第9-10页 |
| ·国内外研究概况 | 第10-12页 |
| ·论文的主要内容 | 第12-13页 |
| 第二章 统计学习与支持向量机 | 第13-24页 |
| ·统计学习理论基础 | 第13-17页 |
| ·经验风险最小化 | 第13-14页 |
| ·复杂性与推广能力 | 第14-15页 |
| ·VC维 | 第15-16页 |
| ·结构风险最小化 | 第16-17页 |
| ·支持向量机理论 | 第17-23页 |
| ·广义最优超平面 | 第17-20页 |
| ·支持向量机思想 | 第20-22页 |
| ·常用核函数 | 第22页 |
| ·支持向量回归机 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 基于遗传算法的支持向量回归机参数优化方法 | 第24-40页 |
| ·遗传算法概述 | 第24-30页 |
| ·遗传算法理论 | 第24-29页 |
| ·遗传算法的应用 | 第29-30页 |
| ·基于遗传算法的支持向量回归机参数优化GA-SVR | 第30-34页 |
| ·支持向量回归机参数 | 第30-31页 |
| ·GA-SVR算法 | 第31-33页 |
| ·GA-SVR算法的改进 | 第33-34页 |
| ·数值实验 | 第34-39页 |
| ·实验过程 | 第34-36页 |
| ·实验结果与分析 | 第36-39页 |
| ·本章小结 | 第39-40页 |
| 第四章 基于粒子群算法的支持向量回归机参数优化方法 | 第40-50页 |
| ·粒子群算法概述 | 第40-43页 |
| ·粒子群算法理论 | 第40-43页 |
| ·粒子群算法的应用 | 第43页 |
| ·基于粒子群算法的支持向量回归机参数优化PSO-SVR | 第43-45页 |
| ·PSO-SVR算法 | 第43-44页 |
| ·PSO-SVR算法优化C,σ,ε | 第44-45页 |
| ·数值实验 | 第45-47页 |
| ·实验过程 | 第45-46页 |
| ·实验结果与分析 | 第46-47页 |
| ·PSO-SVR、网格搜索、GA-SVR、优化C,σ,ε对比分析 | 第47-50页 |
| ·网格搜索 | 第47-48页 |
| ·实验结果比较 | 第48-50页 |
| 第五章 总结与展望 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 攻读硕士学位期间参加的科研项目与工作 | 第55-56页 |
| 致谢 | 第56页 |
