| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-18页 |
| 1.1 课题研究目的与意义 | 第9-10页 |
| 1.2 国内外研究现状概述 | 第10-15页 |
| 1.2.1 最小二乘支持向量机稀疏性研究现状 | 第11-12页 |
| 1.2.2 集成最小二乘支持向量机研究现状 | 第12-13页 |
| 1.2.3 核函数的选择与构造研究现状 | 第13-15页 |
| 1.3 论文的组织结构与研究内容 | 第15-18页 |
| 2 原空间求解最小二乘支持向量机稀疏性研究 | 第18-34页 |
| 2.1 最小二乘支持向量机简介 | 第18-19页 |
| 2.2 l_0-范数稀疏LSSVR的原理 | 第19-21页 |
| 2.3 l_0-范数稀疏LSSVR原空间求解 | 第21-26页 |
| 2.3.1 l_0-范数稀疏孪生双最小二乘支持向量机原空间求解 | 第21-23页 |
| 2.3.2 l_0-范数稀疏LSSVR在原空间的求解过程 | 第23-24页 |
| 2.3.3 算法收敛性 | 第24-26页 |
| 2.4 仿真实验 | 第26-32页 |
| 2.4.1 算法评价标准 | 第26-27页 |
| 2.4.2 人工数据 | 第27-29页 |
| 2.4.3 标称数据集 | 第29-30页 |
| 2.4.4 工业中的实际应用 | 第30-32页 |
| 2.5 本章小结 | 第32-34页 |
| 3 选择性集成最小二乘支持向量机算法研究 | 第34-48页 |
| 3.1 选择性集成最小二乘支持向量机 | 第34-40页 |
| 3.1.1 噪声注入方法 | 第36-37页 |
| 3.1.2 压缩感知的正交匹配追踪OMP算法 | 第37-39页 |
| 3.1.3 基于压缩感知的选择性集成最小二乘支持向量机求解过程 | 第39-40页 |
| 3.2 基于SECSLS-SVM算法的航空煤油干点的软测量 | 第40-47页 |
| 3.2.1 工艺背景 | 第40-42页 |
| 3.2.2 数据采集与处理 | 第42-43页 |
| 3.2.3 辅助变量选择 | 第43-44页 |
| 3.2.4 核函数选择 | 第44-45页 |
| 3.2.5 性能指标 | 第45页 |
| 3.2.6 选择性集成LSSVM软测量建模 | 第45-47页 |
| 3.3 本章小结 | 第47-48页 |
| 4 多核学习的最小二乘支持向量机算法研究 | 第48-61页 |
| 4.1 多核学习问题描述 | 第48-50页 |
| 4.2 l_p-范数约束的多核学习描述与求解 | 第50-51页 |
| 4.2.1 l_p-范数约束的多核学习描述 | 第50页 |
| 4.2.2 l_p-范数约束的多核学习求解 | 第50-51页 |
| 4.3 l_p-范数约束的多核学习LSSVM | 第51-52页 |
| 4.4 l_p-范数约束的MKL-LSSVM求解过程 | 第52-54页 |
| 4.5 核标准化 | 第54页 |
| 4.6 实验验证 | 第54-60页 |
| 4.6.1 评价标准 | 第54-55页 |
| 4.6.2 实验过程 | 第55-56页 |
| 4.6.3 实验结果 | 第56-60页 |
| 4.7 本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间发表学术论文情况 | 第67-68页 |
| 致谢 | 第68-69页 |
