基于维度约简的木材含水率建模及回归预测方法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 绪论 | 第10-16页 |
| ·选题背景 | 第10-11页 |
| ·国内外研究现状及发展趋势 | 第11-13页 |
| ·含水率多源检测与数据分析的研究 | 第11页 |
| ·机器学习 | 第11-12页 |
| ·最优化理论 | 第12-13页 |
| ·研究目的及意义 | 第13-14页 |
| ·研究内容 | 第14-16页 |
| 2 木材含水率多源参数检测机理 | 第16-20页 |
| ·木材含水率 | 第16-17页 |
| ·木材中水分的存在形式 | 第16页 |
| ·木材含水率的计算方法 | 第16-17页 |
| ·木材含水率的多源参数采集 | 第17-19页 |
| ·木材含水率的检测 | 第17-18页 |
| ·平衡含水率的检测 | 第18页 |
| ·介质温度的检测 | 第18-19页 |
| ·木材干燥曲线 | 第19页 |
| ·本章小结 | 第19-20页 |
| 3 维度约简理论 | 第20-26页 |
| ·多源数据维度约简 | 第20-21页 |
| ·维度约简的数学描述与模型定义 | 第20-21页 |
| ·多源数据回归分析时维度约简的必要性分析 | 第21页 |
| ·主元分析 | 第21-24页 |
| ·主元分析的基本思想 | 第21-22页 |
| ·主元分析的代数描述 | 第22-23页 |
| ·主元分析的几何意义 | 第23-24页 |
| ·主成分的提取准则 | 第24-25页 |
| ·主元分析可视化建模分析 | 第25页 |
| ·本章小结 | 第25-26页 |
| 4 支持向量机理论 | 第26-36页 |
| ·机器学习理论 | 第26-28页 |
| ·机器学习理论的数学表示 | 第26-27页 |
| ·统计学习理论 | 第27页 |
| ·VC维 | 第27页 |
| ·经验风险与结构风险最小化原则 | 第27-28页 |
| ·支持向量机 | 第28-32页 |
| ·支持向量机的基本思想 | 第29页 |
| ·支持向量的定义 | 第29页 |
| ·支持向量机理论的数学描述 | 第29-31页 |
| ·高维空间中的支持向量机 | 第31-32页 |
| ·特征向量归一化 | 第32-33页 |
| ·支持向量机性能评估 | 第33页 |
| ·支持向量机回归模型分析 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 5 智能优化算法 | 第36-46页 |
| ·交叉验证 | 第36页 |
| ·网格划分算法 | 第36-37页 |
| ·遗传算法 | 第37-41页 |
| ·遗传算法的寻优流程 | 第38-40页 |
| ·遗传算法数学建模分析 | 第40-41页 |
| ·粒子群优化算法 | 第41-45页 |
| ·粒子群算法的寻优流程 | 第42-44页 |
| ·粒子群优化算法数学建模分析 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 6 木材含水率数据回归分析的研究 | 第46-61页 |
| ·实验研究 | 第46-48页 |
| ·实验条件下的数据构成与划分 | 第48-49页 |
| ·木材干燥参数的主元分析 | 第49页 |
| ·基于网格划分算法的SVM建模与预测分析 | 第49-53页 |
| ·原始数据条件下模型训练与回归预测 | 第50页 |
| ·归一化条件下模型训练与回归预测 | 第50-51页 |
| ·PCA降维条件下模型训练与回归预测 | 第51-52页 |
| ·三种条件下模型训练与回归预测对比分析 | 第52-53页 |
| ·基于GA算法的SVM建模与预测分析 | 第53-56页 |
| ·原始数据条件下模型训练与回归预测 | 第53-54页 |
| ·归一化条件下模型训练与回归预测 | 第54页 |
| ·PCA降维条件下模型训练与回归预测 | 第54-55页 |
| ·三种条件下模型训练与回归预测对比分析 | 第55-56页 |
| ·基于PSO算法的SVM建模与预测分析 | 第56-59页 |
| ·原始数据条件下模型训练与回归预测 | 第56-57页 |
| ·归一化条件下模型训练与回归预测 | 第57页 |
| ·PCA降维条件下模型训练与回归预测 | 第57-58页 |
| ·三种条件下模型训练与回归预测对比分析 | 第58-59页 |
| ·算法综合评估分析 | 第59-60页 |
| ·本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 攻读学位期间发表的学术论文 | 第66-67页 |
| 致谢 | 第67-68页 |
