摘要 | 第1-13页 |
Abstract | 第13-15页 |
第一章 绪论 | 第15-30页 |
·研究背景与意义 | 第15-18页 |
·仿真元模型研究现状 | 第18-25页 |
·元模型实验设计 | 第18-19页 |
·元模型拟合方法 | 第19-20页 |
·元模型验证与评估 | 第20-21页 |
·元模型应用现状 | 第21-23页 |
·存在问题 | 第23-25页 |
·论文研究目标与研究思路 | 第25-26页 |
·论文主要研究内容、组织结构和主要贡献 | 第26-30页 |
·论文主要研究内容 | 第26-27页 |
·论文组织结构 | 第27-28页 |
·论文主要贡献 | 第28-30页 |
第二章 相关向量回归元建模方法 | 第30-54页 |
·元模型基础 | 第30-36页 |
·元模型基本概念 | 第30-32页 |
·元模型建立过程 | 第32-35页 |
·元模型的评价指标 | 第35-36页 |
·相关向量回归 | 第36-43页 |
·仿真元建模的机器学习描述 | 第36-37页 |
·贝叶斯学习理论 | 第37-38页 |
·相关向量回归基本理论 | 第38-43页 |
·仿真实验 | 第43-53页 |
·确定性仿真实验 | 第43-50页 |
·随机性仿真实验 | 第50-53页 |
·小结 | 第53-54页 |
第三章 基于进化算法的相关向量回归多核函数优化方法 | 第54-76页 |
·核函数 | 第54-56页 |
·多核学习方法 | 第56-58页 |
·基于文化基因算法的RVR 线性多核函数优化方法 | 第58-67页 |
·文化基因算法 | 第59-61页 |
·基于稳态文化基因算法的线性多核函数优化方法 | 第61-65页 |
·仿真实验与结果分析 | 第65-67页 |
·基于遗传规划的RVR 非线性多核函数优化方法 | 第67-75页 |
·遗传规划 | 第67-70页 |
·基于遗传规划的非线性多核函数优化方法 | 第70-73页 |
·仿真实验与结果分析 | 第73-75页 |
·小结 | 第75-76页 |
第四章 相关向量回归的集成学习算法 | 第76-95页 |
·引言 | 第76-77页 |
·集成学习方法 | 第77-85页 |
·集成学习基本原理 | 第77-79页 |
·个体学习器的生成 | 第79-81页 |
·个体学习器的集成 | 第81-85页 |
·相关向量回归的集成学习算法 | 第85-94页 |
·基于Bagging 和多核选择的个体学习器生成 | 第85-88页 |
·基于文化基因算法的选择性集成 | 第88-89页 |
·算法描述 | 第89页 |
·仿真实验与结果分析 | 第89-94页 |
·小结 | 第94-95页 |
第五章 相关向量回归的增量学习算法 | 第95-109页 |
·引言 | 第95-96页 |
·基于集成学习的相关向量回归增量学习算法 | 第96-101页 |
·问题定义 | 第96-97页 |
·基于集成学习的相关向量回归增量学习算法 | 第97-99页 |
·动态选择和动态权重集成策略 | 第99-100页 |
·算法描述 | 第100-101页 |
·仿真实验 | 第101-107页 |
·实验数据与实验方法 | 第101-102页 |
·实验结果与分析 | 第102-107页 |
·小结 | 第107-109页 |
第六章 基于RVR 元模型的仿真优化方法及其应用研究 | 第109-132页 |
·仿真优化 | 第109-112页 |
·仿真优化概述 | 第109-111页 |
·基于元模型的仿真优化方法 | 第111-112页 |
·基于RVR 元模型的仿真优化方法 | 第112-123页 |
·基于RVR 元模型的仿真优化算法框架 | 第112-117页 |
·Wi-Fi 网络吞吐量优化实例 | 第117-121页 |
·多目标优化算例 | 第121-123页 |
·基于RVR 元模型的仿真优化方法在无人机通信网络中的应用 | 第123-131页 |
·无人机通信网络仿真系统设计与实现 | 第123-126页 |
·无人机通信网络协议性能仿真优化 | 第126-131页 |
·小结 | 第131-132页 |
第七章 结束语 | 第132-135页 |
·结论 | 第132-133页 |
·展望 | 第133-135页 |
致谢 | 第135-136页 |
参考文献 | 第136-149页 |
作者在学期间取得的学术成果 | 第149-152页 |
作者在学期间参加的科研项目 | 第152-153页 |
附录 RVR-确定性仿真模型实验结果 | 第153-158页 |