一、关于统计学习理论与支持向量机（论文文献综述）
乐彪华[1]（2021）在《基于粒子群算法的RS-SVM改进与空区危险程度智能判识研究》文中研究指明伴随着矿产资源的消耗使用,矿山生产活动愈来愈多,常年的开采给矿山带来了大量且范围较广的采空区,采空区对矿山的安全造成愈加严重的威胁,带来的岩层错动、裂缝变形等现象逐步危化,采空区的危险性给矿山安全带来了一定的安全隐患,成为评价矿山安全的重要因素。本文为克服采空区危险性具有的隐蔽性以及不确定性特点,通过改进信息熵的粗糙集知识与支持向量机理论,结合粒子群优化,构建了一种采空区危险性分级模型,并采用数值模拟法探究了隐患较大采空区的时空演化特征,得到的主要研究成果和结论如下:（1）在统计分析与实测资料的基础上,基于华东某铁矿采空区的实际情况,选取了采矿方式、空区开挖深度、采空区高度、空区最大暴露面积、暴露高度、最大暴露跨度、矿柱情形、空区体积、治理率这9个因素作为主要影响因素,基于粗糙集理论（RS）的属性约简,通过改进信息熵的属性约简法对训练样本进行属性约简,得出最终属性约简结果:采矿方式、最大暴露面积、最大暴露跨度、矿柱情形、最大暴露高度,此次约简结果在一定程度上能为采空区定向治理提供理论指导。（2）采用粒子群算法（PSO）进行参数优化,选取最优的支持向量机核参数以及惩罚参数,以Matlab编制了支持向量机模型,采用“一对一法”（one-against-one）构造二值分类器来实现采空区的多类分类算法,最终获得评价采空区的危险性等级的支持向量机模型,结果显示,基于该支持向量机模型的采空区危险性识别准确率达到94.0%,表明了支持向量机对采空区进行危险性评价的可行性与实用性。（3）引入3D激光扫描仪,对采空区进行轮廓扫描探测,基于三维激光探测结果采用3D mine对隐患大的采空区进行建模,导入FLAC3D实现对采空区的数值模拟分析,在支持向量机预测结果的基础上深入探究了隐患较大的采空区开采过程中的围岩内部的应力、位移、塑性区的分布与发展规律,为现实工程中矿山资源开采和灾害预防提供一定的参考依据,体现了本文研究内容的实用性。
张磊[2]（2020）在《基于支持向量机的股票市场趋势分析及预测研究》文中研究说明随着经济水平的提高,股票市场大有愈演愈烈之势,越来越多的人投入到了股票预测的研究之中。然而影响股票的因素众多,包括金融政策,市场环境,经济周期,甚至是人为操纵的因素,如何抓住众多的影响因素找到一个对股票预测行之有效的方法,是众多专家学者研究的热点。在众多的股票预测方法中,支持向量机是一个不错的机器学习方法。本文就支持向量机在股票预测上的应用展开研究。首先在上证和深证系列股票中随机选取了各行各业总共24支个股,并辅以上证指数和深证指数,通过在选取股票上取得的较好的预测效果从而推广到整个股票市场中。技术方面,本文以模型的预测正确率和平均拟合偏差作为衡量模型预测性能的标准,通过特征工程构建合适的特征变量并借助主成分分析的方法对输入变量进行降维处理来消除变量间的多重共线性,同时能够提高模型的速度,构建支持向量分类机和支持向量回归机结合回归拟合与股票涨跌分类共同对股票进行预测以及在支持向量回归的基础上构建股票投顾策略模型在构建模型的同时不断探索合适的时间滑窗,尝试包括遗传算法和粒子群算法等不同的参数优化方法,以求尽可能优化模型的预测性能。在模型优化的同时,挖掘搜索热度以及新闻情感,通过自然语言处理技术尝试找到与股票历史走势的关联从而构建更好的情感特征,进一步提升支持向量机模型的预测性能。本文还势图构建多核支持向量机进一步提升模型效果,最后通过对“牛市”和“熊市”的划分尝试在不同阶段构建对应的支持向量机,找到适应不同场景的支持向量机模型,从而达到对股票更好的预测效果。实证分析发现,通过主成分分析降维,能让支持向量机模型在略微的预测正确率损失情况下其运行速度得到巨大的提升,同时发现支持向量机对于预测股票的最佳时间滑窗为3,支持向量分类和回归的结合能提升模型3%-4%的预测准确率;在参数优化方面,遗传算法和粒子群算法在模型迭代次数,运行时间和预测准确率三个方向上都全面领先普通的网格搜索法,同时通过构建合适的新闻情感特征也使得模型的预测准确率进一步提升;另一方面股票投顾策略能帮助投资者进行股票组合的选取,给投资者带来更多的收益,多核支持向量机能够在可以接受的速度牺牲下提升模型的性能;研究最后还发现分别在“牛市”和“熊市”构建的支持向量机模型要明显优于“盘整期”,特别是在搜索热度指数的加持下。通过本文的研究,希望不断优化的支持向量机模型能够给众多投资者和政府部门带来一定的指导和参考。
李永科[3]（2020）在《基于传感器阵列的有毒有害气体检测的数据融合研究》文中研究说明有毒有害混合气体中各组分浓度的检测在煤矿瓦斯、石油化工、环境保护、城市地下井廊等领域有着广泛的应用。由于气体传感器普遍存在交叉敏感问题,传感器的输出数据中往往还包含其他非目标气体的交叉干扰量;单一气体传感器对交叉干扰影响的消除只能依靠气体传感器自身的选择性,很难实现对多组分气体的定性识别和定量测量。因此,用数据融合手段对多个传感器组成的传感器阵列输出信号进行处理来实现对有毒有害混合气体中各组分浓度的精准检测具有巨大的实际应用价值。本文首先对比了常见的气体检测方法,选择气体传感器法进行有毒有害气体的检测;对比分析常见的气体传感器,最终选择三个电化学气体传感器分别对O2、H2S、CO浓度进行测量和一个催化燃烧式气体传感器对CH4浓度进行测量。紧接着对所选的电化学气体传感器和催化燃烧式气体传感器的工作原理及特性进行了详细介绍;为后续章节硬件设计、交叉干扰问题的解决提供支撑。根据需求完成了检测系统的硬件、软件设计。硬件部分:本设计分为数据采集板（传感器阵列）和主控板。软件部分:完成下位机软件编程（数据采集板和主控板）;用Lab VIEW和Matlab混合编程的方式完成上位机的设计。气体传感器的交叉灵敏特性影响测量值的准确度,且输入与输出呈现出复杂的非线性关系;本文以数据融合作为解决问题的重要途径,利用可以实现在全局意义上逼近任何非线性函数关系的支持向量机作为一种数据处理手段来解决气体传感器之间的交叉干扰问题;该方法既利用了支持向量机处理小样本时的优异性能,同时也避免了神经网络中结构难以确定和易陷入局部极小值问题。支持向量机的实际工程应用中,高性能的核方法是关键;在核函数确定后由于支持向量机各参数间存在最佳匹配的问题,因此要让模型发挥出色的性能还需要对其各参数进行合理的设置。支持向量机各参数的确定作为非线性全局优化问题,针对此问题,本设计引入了粒子群优化算法（PSO）对支持向量机中的各参数进行寻优;接着本文针对PSO算法中易陷入局部最优的问题引入了自适应粒子群算法（SCPSO）对支持向量机的中各参数寻优,该方法克服了遗传算法优化速度慢的问题,同时也弥补了基本粒子群算法（PSO）因粒子追随最优粒子过程中产生的趋同性而导致的局部最优问题,为气体传感器的交叉干扰问题的解决提供有效路劲。本设计针对气体传感器的重复性、高低温特性和交叉敏感特性完成了重复性实验、高低温实验和交叉干扰实验。文章最后通过引入平均绝对百分比误差作为评价标准,分别计算出有毒有害混合气体环境下传感器阵列采集浓度、基于支持向量机预测结果、基于PSO优化的支持向量机预测结果、基于SCPSO优化的支持向量机预测结果相对理论值的平均绝对百分比误差;对比结果显示基于SCPSO优化的支持向量机模型表现出更优异的性能,具有实际的工程应用价值。
黄静[4]（2020）在《基于支持向量机的乳腺癌诊断方法研究》文中提出乳腺癌是一种严重危害女性身体健康的疾病,随着生活方式的转变而发病率明显上涨,发病年龄也将趋于年轻化。早发现、早诊断、早治疗才能降低其发生的可能性和致死率。现实的医疗检测系统中,由于医疗设备的限制或者人体生理因素的影响,导致乳腺癌的错诊或漏诊,进而使患者失去了早发现与早治疗的机会。因此,提高乳腺癌的诊断精度,是降低患者生命风险的重要手段。随着人工智能的发展,利用智能的数据挖掘方法去挖掘医疗数据内涵的宝贵价值是实现智能诊断的新途径。本论文选取了乳腺癌这一威胁当前女性健康的常见疾病作为算法应用研究对象。采用数据挖掘的方法对乳腺癌数据进行建模分析。以UCI提供的临床乳腺癌数据,建立基于支持向量机的辅助诊断模型,通过优化模型提高乳腺癌诊断的准确率,为智能医疗提出了一种新的研究思路和方法,具有一定的现实意义和应用价值。主要内容如下:（1）分析智能医疗的主要方法和机器学习算法在智能医疗中的应用,学习了支持向量机理论及线性和非线性原理,通过引入核函数实现高维线性变换,进而提出支持向量机核函数的参数寻优问题。（2）提出基于参数优化的支持向量机乳腺癌诊断研究方法。针对影响SVM的分类性两个关键因素:误差惩罚参数C和核函数形式及其参数问题,提出参数优化方案,通过改进的网格搜索法和交叉验证法对参数寻优,有效避免了遗传算法、粒子群算法等寻优方法出现的局部最优的问题,实验结果表明该方法有利于提高分类器性能,相比传统方法,训练所需时间更少,准确率明显更高。（3）提出了基于Relief-F特征加权的支持向量机方法并用于乳腺癌数据建模分析。针对目前支持向量机只考虑样本重要性而忽略特征重要性对分类结果的影响的缺陷,提出了基于Relief-F特征加权的支持向量机方法,该方法首先利用Relief-F特征权重法计算各个特征的权重,然后用获得的特征权重值对核函数中的内积和欧氏距离进行加权计算,从而避免了核函数的计算被一些弱相关或不相关的特征所支配。理论分析和数值实验的结果都表明,该方法比传统的SVM具有更好的鲁棒性和分类能力。
张振[5]（2020）在《液压支架故障诊断与预测研究》文中研究指明液压支架作为现代化综采工作面的关键设备之一,其主要作用是有效支护采区顶板,提供安全作业空间。由于工作环境恶劣、工作强度高、设备结构复杂等因素导致液压支架故障频繁发生,漫长的维修时间严重影响了煤炭企业的生产效率,增加了煤炭的开采成本,故障维修不及时甚至会引起安全事故。针对目前的状况,本文对液压支架的故障诊断和故障预测进行研究,实现故障发生后快速进行识别和定位,并对设备一小时后的运行状态进行预测。本文主要工作如下:（1）对液压支架的故障现状进行了分析。本文首先对故障诊断和故障预测的研究现状进行文献分析,发现其在液压支架设备的应用中较少,需要更多的理论探索和实践应用;依据实地调研搜集到的信息,结合专家知识,统计分析出液压支架的四类常见故障及其主要表现,并进行相关原因的探究,构建出液压支架常见故障的事故树。（2）对液压支架的故障诊断进行研究。首先,本文确定了液压支架设备的监测指标,采集四类故障发生时的运行数据并进行降维,将其整理成训练集和测试集,在MATLAB中基于libsvm-3.23工具包构建支持向量机的分类模型;然后,针对故障原因之间的复杂性和关联性,将液压支架故障原因历史记录整理成Excel表格,进行贝叶斯网络的结构学习和参数学习,运用概率值表达各故障原因间的不确定性关系;其次,基于支持向量机的分类结果作为已知证据,输入至贝叶斯网络,进行贝叶斯网络推理;最后,通过实例,验证故障诊断模型的可行性。（3）对液压支架的故障预测进行研究。传统的“事后维修”已经跟不上生产力变革的脚步,随着煤炭开采设备逐步进入智能化阶段,对液压支架的故障预测研究有着重要的意义。本文进行了故障预测方法的设计,建立的目标是:在一小时前,预测一小时后设备是否发生故障。采用液压支架一小时后的运行状态作为标签,来标记此时的运行数据,运用支持向量机方法将不同样本（一小时后出现故障和一小时后不出现故障）进行正确的分类,分别用交叉验证-网格搜索法、粒子群算法、人工鱼群算法三种方法,对支持向量机中的惩罚系数c、核参数g进行优化,选取每种方法得到的参数组合构建预测模型,通过对比其对测试集的分类结果,依据分类准确率的高低,选取人工鱼群支持向量机用于液压支架的故障预测。论文有图29幅,表23个,参考文献89篇。
王森[6]（2020）在《基于机器学习的弹道落点预测研究》文中研究说明在现代战争中,对弹道落点进行准确快速预测是提高弹丸射击精度的关键,也是对弹道进行修正和制导的前提。传统的弹道落点预测方法是通过数值积分法解算弹道方程来得到弹道落点。然而,要想获得精度较高的解算值,就需要较小的积分步长和较复杂的弹道模型,这会使弹道落点的解算时间增长,也会增加弹丸飞行状态参数的获取难度。如何在较为容易获取弹丸飞行状态参数的情况下对弹丸的落点进行准确且快速的预测就成了值得研究的问题。因此,本文结合机器学习理论,将弹丸的飞行状态参数作为机器学习模型的输入特征,将弹丸的落点信息作为机器学习模型的输出,来建立不显式计算弹道方程的落点预测模型。文中建立了两种基于机器学习的弹道落点预测模型,BP神经网络预测模型和支持向量机预测模型。前者是基于连接主义的机器学习模型,后者是基于统计学习理论的机器学习模型。通过仿真依次研究了当前飞行状态参数采集点以及与其前面1～4个采集点结合时,两种机器学习模型的弹道落点预测情况。结果表明,两种模型中落点的预测误差并不是随着采集点数的增加而一直减小:当采集点数为2时,BP神经网络模型的预测误差最小;当采集点数增加时,支持向量机模型的预测误差变化不大。在实际应用中可以合理地选择飞行状态参数采集点数,以便能更快并且更准确地预测落点。两种模型对横偏的预测误差均小于对射程的预测误差,并且都能较为准确地预测射程和横偏。BP神经网络模型射程预测和横偏预测的均方根误差分别为3.83m和0.95m,射程预测误差和横偏预测误差的最大值分别为10.04m和2.71m;支持向量机模型射程预测和横偏预测的均方根误差分别为7.05m和1.11m,射程预测误差和横偏预测误差的最大值分别为14.52m和2.32m。同时,对两种模型的弹道落点预测时间进行统计,结果表明两者的预测时间均短于数值积分六自由度弹道方程所用的时间。文中还基于粒子群优化算法对BP神经网络模型和支持向量机模型的模型参数进行了寻优,仿真结果表明寻优后两种模型的预测性能均得到了一定程度的提升。因此,本文建立的两种机器学习预测模型都能较为准确快速地预测弹道落点,可以为实际应用提供一定的参考。
孙伟超[7]（2019）在《基于支持向量机法的降雨型边坡可靠性预测模型》文中研究表明在人们从事的各种工程建设活动中,常会遇到边坡的稳定问题。在各领域的建设过程中,由边坡失稳对人民的生命财产安全造成的损害愈加严重,人们已经逐渐意识到边坡稳定的重要性。据相关部门统计,2016年,我国的地质灾害数量为9710起,由边坡失稳所带来的地质灾害,在其中的占比高达76%。通过查阅相关的文献资料发现,90%的边坡失稳问题都是由降雨引发,所谓“十滑九水”就是这个道理。所以对边坡稳定性的预测,特别是对降雨型边坡稳定性分析预测具有重要的意义。本文分别对边坡的确定性分析方法和可靠度分析方法进行了讨论,并在前人研究的基础上,引入正交试验法对影响边坡稳定性的因素进行敏感性分析和较优组合分析。在确定性分析方法当中,利用支持向量机在解决小样本、非线性、高维数和局部极小点的问题时所具有的优点和粒子群算法的容易实现、精度高的特点,同时结合主成分分析方法（PCA）的特征提取能力,对建模过程中的参数进行优化,进而建立了边坡稳定性预测的PCA-PSO-SVM模型,并结合工程实例对本模型的准确性进行了验证。在边坡的可靠度分析中,本文介绍了中心点法（MFOSM）、基于迭代算法的验算点（FORM）计算法、响应面法、蒙特卡洛等方法对边坡稳定性可靠度计算的精确性及简便性的优缺点。在研究的过程中,将FROM方法和支持向量机法进行了有机的结合,应用于边坡的可靠度分析当中,并给出相应的预测模型,建立了基于支持向量机的边坡可靠度预测模型。利用该模型分别对同一边坡的三个剖面进行了边坡可靠度的分析验证。结果证明,本文建立的基于FORM法与支持向量机法相结合的边坡可靠度预测模型,克服了其他方法中计算繁琐,精确度低的缺点,并且可以在很大程度上提高边坡可靠度分析的效率。在实际的边坡稳定分析过程中,可以采用该模型对边坡的可靠度指标有效预测。该模型的建立为相应的理论研究奠定了良好的基础,开拓了一个新的思路,而且对于分析其他边坡稳定问题具有良好的借鉴意义。
孙宇航[8]（2019）在《基于改进模糊支持向量机的煤与瓦斯突出预测》文中进行了进一步梳理煤与瓦斯突出是在煤矿开采过程中发生的一种地质灾害,破坏性极强。如果能及时对突出做出准确地预测,可以在灾害发生前做出相应的防护措施,最大限度的保障井下工作者的生命安全。目前在煤与瓦斯突出预测方面应用最多的是支持向量机算法,具有较强的泛化能力。但是经过实际应用检验该算法仍然存在一些缺点:1.抗噪性不强,在预测过程中容易受到错误样本的误导做出错误的判断;2.受参数影响较大,盲目的选取参数会影响算法的分类效果。在突出影响因素选取方面,由于煤与瓦斯突出受多种因素共同影响且相互之间存在高度非线性关系,本文采用灰色关联度理论结合矿井突出实测数据进行计算从8种影响因素中选出5种作为主要影响因素,降低了之后预测的计算难度。在突出预测方法上面,针对以上两条支持向量机的缺点,本文提出了粒子群优化模糊支持向量机这种新型的煤与瓦斯突出预测方法。该方法首先通过模糊隶属度函数计算每个样本的模糊隶属度,降低噪声点对分类结果的影响;其次使用粒子群算法对模糊支持向量机进行参数寻优,虽然与其他常用的参数优化算法比如遗传算法、最小二乘法相比更为简洁,操作简便,但是粒子群算法仍存在容易陷入局部最优的缺点,本文中为解决这一问题对粒子群算法进行了改进:首先在粒子群算法中引入随迭代次数非线性减小的惯性权重提高算法的寻优能力,其次利用模拟退火算法使得粒子群算法中的粒子以一定的概率强行跳出局部最优陷阱。改进后的粒子群算法很大的提升了寻优效率,克服了传统分类模型中参数选取的盲目性。最后构建基于粒子群算法的模糊支持向量机预测模型,该模型首先通过对实测数据赋予相应的隶属度,减小错误样本对模型预测能力的影响;然后利用粒子群算法寻找最优参数,把参数对预测模型的影响降到最低。本文选择了粒子群优化支持向量机模型、模糊支持向量机模型、BP神经网络模型与本文模型在工作性能上进行比较,实验证明粒子群优化模糊支持向量机模型训练速度快,并且分类精度最高。利用MATLAB软件结合矿井实测突出数据对本文提出的改进的模糊支持向量机预测模型进行仿真,输出结果证明该算法相较于其他传统预测方法,训练速度最快,能够在更短的时间内对是否发生突出做出更精准的判断。该方法有效解决了传统预测方法中存在的抗噪性差、训练速度慢以及预测精度低等问题,具有较强的实用性。该论文有图19幅,表12个,参考文献86篇。
李培志[9]（2019）在《支持向量机模型的优化及其应用研究》文中研究说明近年来随着互联网技术的飞速发展以及社会的不断进步,机器学习这一门人工智能科学在社会生产、科学研究及日常生活中占据着愈发重要的作用。作为机器学习中的经典算法,支持向量机（Support Vector Machine,SVM）基于其在小样本、非线性及高维模式识别中的特有优势而得到了快速的发展。目前国内外学者对支持向量机进行了许多有益的探索和研究,并将其成功应用于包括生物信息学、文本识别和天气预报等领域在内的生产生活各个方面。然而,没有一个模型可以在所有情况下都表现良好,单一的支持向量机仍然存在着局限性,如存在缺失值时效果欠佳、参数确定没有具体的标准以及面对复杂数据时表现不理想等,这些问题会对模型效果带来不利影响。基于这一背景,本文对支持向量机进行改进并提出若干基于支持向量机的优化模型。优化形式可以分为三类:数据结构优化、参数优化以及组合优化。对于数据结构优化,本文使用分解集成策略来选择合适的数据训练支持向量机,以改善支持向量机对复杂数据效果欠佳的问题;对于参数优化模型,本文提出基于最优化算法的模型来处理支持向量机参数选择问题;组合优化模型又可分为方法组合优化和模型组合优化,其中方法组合优化是对包含支持向量机在内的统计方法的结果进行组合,改善单一方法不能在各种情境下都表现最优的状况,而对于模型组合优化,本文尝试将支持向量机与治愈模型相结合,来解决传统治愈模型在非线性条件下估计效果欠佳的问题。为了检验不同优化方法的效果,分别将各优化模型应用于实际数据中进行实验。选择优化的原则与所应用的实际背景有关,即根据具体数据特点来构建相应的优化模型,并分别应用于大气污染治理、文化产业管理、能源经济及生存分析等。对大气污染治理来说,由于污染物时间序列包含了不同周期的子序列,如季节性波动、短期天气变化等,使得数据结构比较复杂,这时就需要使用数据结构优化,首先将不同周期的子序列分离,再分别进行预测。对文化产业管理来说,由于一部电影受到制作成本、电影类型、明星影响力等诸多因素的影响,每个电影都具有各自的独特性,这时就需要考虑使用参数优化方法选择具有更好参数的支持向量机进行建模。在能源经济领域,本文所使用的数据样本量较大,且不同地区的数据特点不同,没有一个单一模型可以在各地区各季节都表现良好,这时就应该考虑使用方法组合优化模型。对于生存分析中的治愈模型来说,其治愈率部分使用Logistic回归。但是随着研究的发展,许多协变量与治愈概率的关系并不符合Logistic函数的形式,而是存在一些其他复杂的关系,因此,考虑使用模型组合优化构建新型治愈模型。全文共分为六个部分,其主要研究内容及结论如下:第一章介绍本文的选题依据、研究意义、研究思路与主要内容以及主要创新与不足。第二章提出优化支持向量机的概念,将讨论支持向量机的原理与特点及目前关于优化支持向量机的研究现状及局限性。第三章分析支持向量机的数据结构优化及应用。给出KZ滤波及改进方法的原理与特点,并介绍与支持向量机相结合的优化模型。在实验中首先分析大气污染治理的研究背景,使用改进KZ滤波分析大连市的污染数据,并挑选中国四座城市的污染数据综合评估优化模型的预测效果。结果显示,分解集成策略可以很好地实现数据结构优化。污染物冬季的长期分量达到峰值,而夏季的长期分量保持相对较低水平,其中季节性分量和短期分量在冬季表现出较大的波动。从方差贡献率结果可以看出,季节性成分对原始序列的贡献最大,其次是短期和长期成分。预测结果表明,数据结构优化模型具有较好的预测效果和拟合精度,并在存在噪声的情况下仍然表现良好。第四章探讨支持向量机的参数优化及应用。首先介绍帝国竞争算法及用该算法优化的支持向量机,接下来使用电影票房数据检验优化模型的效果。在实验中首先选择最适合的训练集大小,其次将优化模型应用于首映周票房预测,并与常用模型进行比较。结果显示,当最优训练集为20,预测模型为所提出的参数优化模型时,预测效果优于其他对比模型,此时预测的MAPE值约为15%。通过列出22部测试电影的票房预测值和真实值,发现大部分情况下预测值都非常接近真实值。模型对比结果也证明了优化模型的有效性。第五章对支持向量机的组合优化及应用进行描述。首先论述组合预测和治愈模型的原理和特点,接下来通过对方法组合优化模型在能源经济中的应用和模型组合优化在生存分析研究中的应用分别论证两个组合优化模型的效果。方法组合优化的结果表明,当训练集为一个月的数据,测试集为一周的数据时,预测性能最好且最稳定。与常用模型的比较表明,支持向量机与ARIMA和BPNN具有同一水平的预测精度。因此,引入三个模型构造方法组合优化模型。预测结果表明,该组合优化模型性能优于组合优化模型中的任何一个单一方法,并优于近些年由学者提出的部分预测模型。模型组合优化的数值模拟结果表明,所提出的半参数模型在估计协变量的未治愈概率方面与现有的治愈模型相比有更好的性能。当潜在的发病率结构不能用Logistic模型近似时,所提出的治愈模型的均方误差和错分类率均小于现有的模型,这表明所提出的优化模型在发病率部分具有更好的校准和判别表现。真实数据结果说明,两个模型估计的潜伏期结果相似,而优化模型估计的未治愈率可以提供比传统模型更多的信息。第六章对各优化方法的适用性进行讨论,对全文进行总结,并对未来研究方向进行展望。本文的主要创新点如下:（1）在数据结构优化方面,传统的KZ滤波由于滑动平均的作用,在每次过滤后都会损失部分首尾数据,而缺失数据对于构建预测模型至关重要。基于此,本文对KZ滤波进行改进,提出两种新型滤波方法,并利用分解集成策略和支持向量机对数据结构进行优化。（2）在参数优化方面,本文首次尝试将百度指数与支持向量机结合起来以构建复合预测模型。由于不同电影的百度指数相差很大,本文还选择参数优化方法对支持向量机中的参数进行优化。（3）在方法组合优化方面,由于不同时间不同地区风速的数据结构差异很大,没有一个模型可以在所有情况下都表现良好,因此本文并没有去研究效果优良的单一模型,而是尝试使用组合预测的方法,对包括支持向量机在内的常用统计预测模型进行比较,选择效果较好的模型构建方法组合优化模型。（4）在模型组合优化方面,本文首次将支持向量机与治愈模型相结合得到一种新型的治愈模型。在该模型中,由于支持向量机在小样本和非线性模式识别中具有独特优势,使得其可以在治愈率部分为非Logistic函数下仍具有较高的识别效果。本文所提出的优化模型同时具有较强的理论与实际意义。在理论上,本文选择数据结构优化、参数优化以及组合优化来克服单一支持向量机的不足,简化训练数据结构,提高模型整体效果。此外,本文提出的优化模型能够从理论上弥补现有模型的不足,具有较强的泛化能力。同时,这些优化模型也具有很重要的实际意义。对比较灵活的机器学习模型来说,根据其结果可以提前研判出所研究事物未来的发展态势;而对传统统计模型来说,根据其结果可以识别出协变量的效应并对具有一组协变量值的个体进行预测,这些结果可以为管理部门和政策制定者提供决策依据。在本文中,将这些优化模型分别应用于风速预测、大气污染预警、电影票房预测和生存分析中,证明其在不同领域的良好效果。本文的不足之处如下:（1）对预测模型来说,由于所选择的数据都是一定范围内的数据,故可能存在抽样偏差。今后可以尝试在更大数据集下进一步测试优化模型的综合性能,并与其他预测模型进行比较。（2）对治愈模型来说,本研究没有对治愈模型的潜伏期部分进行改进。理论上说,支持向量机所具有的特点可以在潜伏期部分对病人的生存函数进行拟合,并可能取得优于比例风险模型或加速失效时间模型的效果。此外,在今后的研究中可以测试新治愈模型在高维数据情况下的性能。
陶骏杰[10]（2019）在《基于小波分析和支持向量机的滚动轴承故障诊断研究》文中指出滚动轴承是旋转机械中重要的元器件之一,其作用是将运转的轴与轴座之间的滑动摩擦变为滚动摩擦。轴承失效是旋转机械发生故障事故的主要原因之一,所以近年来滚动轴承的故障诊断一直是备受关注的研究课题,对机械设备故障诊断管理的研究同样具有重要的理论意义和实际应用价值。随着计算机技术和信号处理技术的发展,越来越多的新方法被引入到滚动轴承故障诊断领域,本文所采用的研究方法是基于小波分析和支持向量机,两种方法相结合以实现对滚动轴承故障类型和故障程度的综合诊断。首先利用信号处理技术中的小波分析对数据采集系统所采集的原始振动信号数据进行降噪处理并提取出有效的故障特征向量,然后发挥机器学习算法中支持向量机（Support Vector Machine,简称SVM）理论在小样本量空间分类中所具有的明显优势,最终提出基于小波分析和支持向量机相结合的滚动轴承故障诊断方法。本文完成的主要工作如下:1、介绍了滚动轴承的振动机理、失效模式和相关检测技术,分析比较了滚动轴承常用检测方法的优缺点,采用测量滚动轴承的振动信号数据进行轴承的故障诊断,进而研究了滚动轴承的振动机理和特征频率;2、在小波理论各类分析方法的基础上,研究了小波变换在信号降噪、特征提取等方面的应用,并且以仿真分析的形式进行了验证。通过比较不同小波基和分解层数的小波信号的信噪比进一步确定了本次实验所采用的是db6小波基,分解层数为4。选择小波分解后信号在各频带上能量的分量所组成的向量为特征向量,并绘制各频带上能量的分量比例图,通过多组比较发现当轴承内圈发生故障时,能量主要集中在第一频带,其他频带也有一定分布;当轴承外圈发生故障时,能量主要集中在第一和第二频带,其他频带也有一定分布;当轴承滚动体发生故障时,能量几乎只集中在第一频带,其他频带上分布的很少;正常状态下的轴承能量在各频带上的分布较为平均这一能量分布规律,说明特征向量的选取对故障类型的识别有效;3、本研究提出了一种双层回归型支持向量机的滚动轴承故障诊断方法。与许多其他研究的传统分类方法相比,本研究不仅旨在识别不同的轴承故障模式,而且还评估了它们缺陷的大小。该方案在实践中更有意义,因为轴承的使用寿命曲线前期比较平稳光滑,只有在末期才出现陡增的情况。根据上述说明,所提出的方案涉及从振动信号中提取代表性统计参数,识别第一层中的轴承工况,并且一旦在第一层中识别到故障模式,就预测第二层中的故障程度。实验表明该方法在故障类型识别上的整体准确度达到90%以上,在滚动轴承各类缺陷大小的判定上也有不错的效果。综上所述,本文所研究的基于支持向量机的滚动轴承故障诊断方法是可行的,分析和诊断结果与实际吻合,能够满足滚动轴承故障诊断的要求,对滚动轴承的故障诊断具有一定的指导作用。
二、关于统计学习理论与支持向量机（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、关于统计学习理论与支持向量机（论文提纲范文）
（1）基于粒子群算法的RS-SVM改进与空区危险程度智能判识研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 粗糙集理论属性约简研究现状 |
| 1.2.2 支持向量机研究现状 |
| 1.2.3 采空区危险性研究现状 |
| 1.3 本文研究内容与思路 |
| 1.3.1 研究的主要内容 |
| 1.3.2 研究思路 |
| 第二章 基于改进信息熵的粗糙集约简理论研究 |
| 2.1 引言 |
| 2.2 粗糙集理论概述 |
| 2.2.1 论域的基本内容分析 |
| 2.2.2 核与属性约简 |
| 2.3 基于改进的信息熵的属性约简算法分析 |
| 2.3.1 属性约简的算法 |
| 2.3.2 基于改进的信息熵算法原理及步骤 |
| 2.3.3 属性约简算例分析 |
| 2.4 本章小结 |
| 第三章 支持向量机与粒子群参数优化研究 |
| 3.1 引言 |
| 3.2 统计学习理论的风险分析 |
| 3.2.1 机器学习的原理及一般问题 |
| 3.2.2 VC维理论和结构风险最小化原则 |
| 3.3 支持向量机的最优分类原理 |
| 3.3.1 最优分类超平面 |
| 3.3.2 支持向量机的二分类函数构建 |
| 3.4 基于粒子群算法的参数优化 |
| 3.5 本章小结 |
| 第四章 基于改进的RS-SVM的采空区危险程度评价 |
| 4.1 引言 |
| 4.2 工程概况 |
| 4.3 采空区危险程度判识与分析 |
| 4.3.1 安全稳定性评判指标的确定 |
| 4.3.2 样本数据选择与处理 |
| 4.3.3 采空区危险程度判识模型的构建 |
| 4.3.4 危险性预测分析 |
| 4.4 本章小结 |
| 第五章 潜在安全隐患较大空区稳定性数值模拟分析 |
| 5.1 引言 |
| 5.2 计算模型与方案设计 |
| 5.2.1 基于3D激光扫描的空区轮廓扫描 |
| 5.2.2 计算模型与参数 |
| 5.2.3 计算方案设计 |
| 5.3 采空区稳定性分析 |
| 5.3.1 主应力场分布特征 |
| 5.3.2 变形与位移分布特征 |
| 5.3.3 塑性区分布特征 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（2）基于支持向量机的股票市场趋势分析及预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究内容 |
| 1.2.1 数据来源 |
| 1.2.2 具体研究内容 |
| 1.3 研究方法 |
| 1.4 本文可能的创新点 |
| 1.5 论文结构框架 |
| 第二章 文献综述 |
| 2.1 股票预测研究现状 |
| 2.1.1 国外研究现状 |
| 2.1.2 国内研究现状 |
| 2.1.2.1 传统时间序列方法在股票预测中的应用 |
| 2.1.2.2 支持向量机在股票预测中的应用 |
| 2.1.2.3 支持向量机的参数调优及性能改进 |
| 2.2 本章小结 |
| 第三章 股票市场及支持向量机等相关算法概述 |
| 3.1 股票市场相关知识概述 |
| 3.1.1 影响股票涨跌的因素 |
| 3.1.2 股票预测常用指标 |
| 3.1.3 股票趋势预测常用方法 |
| 3.2 支持向量机算法及相关理论 |
| 3.2.1 统计学习理论 |
| 3.2.2 支持向量机 |
| 3.2.3 非线性可分理论 |
| 3.2.4 支持向量机的改进算法 |
| 3.3 情感分析技术 |
| 3.3.1 情感分析应用 |
| 3.3.2 情感分析基本方法 |
| 3.4 主成分分析法(Principal Component Analysis,PCA) |
| 3.4.1 PCA简介 |
| 3.4.2 主成分分析法步骤 |
| 3.5 参数优化方法 |
| 3.5.1 遗传算法 |
| 3.5.2 粒子群算法 |
| 3.6 本章小结 |
| 第四章 股票市场预测指标体系构建及处理 |
| 4.1 数据获取 |
| 4.2 股票市场预测指标体系构建 |
| 4.2.1 股票市场预测常用指标与股价表现探究 |
| 4.2.2 新闻情感指标构建 |
| 4.2.2.1 基于新闻情感分析的指标构建 |
| 4.2.2.2 搜索热度及新闻情感与股价表现的关系探究 |
| 4.3 数据预处理 |
| 4.3.1 股票市场预测指标体系预处理 |
| 4.3.2 基于主成分分析的股票市场预测指标降维 |
| 4.4 本章小结 |
| 第五章 基于支持向量机的股票市场预测 |
| 5.1 股票市场预测模型构建 |
| 5.1.1 基于支持向量机分类的股票走势预测 |
| 5.1.2 基于支持向量机回归的股指预测 |
| 5.1.3 基于支持向量机回归的股票投顾 |
| 5.1.4 不同时间滑窗下支持向量机模型表现 |
| 5.2 股票市场预测模型的参数优化及改进 |
| 5.2.1 支持向量机参数调优 |
| 5.2.1.1 遗传算法参数调优 |
| 5.2.1.2 粒子群算法参数调优 |
| 5.2.2 股票市场预测模型的改进 |
| 5.2.2.1 基于改进支持向量机的股票市场预测 |
| 5.2.2.2 基于时期划分的股票市场预测 |
| 5.3 股票市场预测模型结果评估及对比分析 |
| 5.3.1 股票市场预测模型结果评估 |
| 5.3.2 基于主成分分析的支持向量机与普通支持向量机的性能对比分析 |
| 5.3.3 不同参数优化算法的性能对比分析 |
| 5.3.4 改进支持向量机的模型效果评估 |
| 5.3.5 基于时期划分的股票市场预测效果评估 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要研究结论 |
| 6.2 研究的不足与局限 |
| 6.3 支持向量机在股票预测上的应用前景与展望 |
| 参考文献 |
| 附录 攻读硕士学位期间撰写的论文 |
| 致谢 |
（3）基于传感器阵列的有毒有害气体检测的数据融合研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究目的和意义 |
| 1.2 气体检测方法的对比分析 |
| 1.2.1 红外光谱吸收法 |
| 1.2.2 气体传感器法 |
| 1.2.3 气体检测方法的选择及传感器的选型 |
| 1.3 气体传感器数据融合的国内外研究现状 |
| 1.4 研究内容与论文结构 |
| 1.5 本章小结 |
| 第2章 气体传感器工作原理及特性 |
| 2.1 电化学气体传感器 |
| 2.1.1 电化学气体传感器结构 |
| 2.1.2 电化学气体传感器工作原理 |
| 2.1.3 电化学气体传感器工作电路 |
| 2.2 催化燃烧式气体传感器 |
| 2.2.1 催化燃烧式气体传感器原理与结构 |
| 2.2.2 催化燃烧式气体传感器工作电路 |
| 2.3 气体传感器的交叉敏感特性 |
| 2.4 本章小结 |
| 第3章 检测系统硬件、软件设计 |
| 3.1 检测系统硬件设计 |
| 3.1.1 硬件系统总体设计方案 |
| 3.1.2 电源模块设计 |
| 3.1.2.1 电源模块构架 |
| 3.1.2.2 电池充放电管理单元 |
| 3.1.2.3 主控板电源供电 |
| 3.1.2.4 信号采集板电源供电 |
| 3.1.3 传感器信号调理电路设计 |
| 3.1.3.1 三极电化学气体传感器信号调理电路 |
| 3.1.3.2 二极电化学气体传感器信号调理电路 |
| 3.1.3.3 催化燃烧式气体传感器信号调理电路 |
| 3.1.3.4 温度采集模块 |
| 3.1.4 通信模块 |
| 3.2 检测系统软件设计 |
| 3.2.1 检测系统数据采集、处理总体流程图 |
| 3.2.2 数据采集板软件设计 |
| 3.2.3 主控板软件设计 |
| 3.2.4 上位机软件设计 |
| 3.3 本章小结 |
| 第4章 数据融合算法的研究 |
| 4.1 气体传感器列阵数据融合 |
| 4.1.1 机器学习方法 |
| 4.1.2 模式识别 |
| 4.2 支持向量机数据融合 |
| 4.2.1 统计学习理论 |
| 4.2.2 支持向量机 |
| 4.2.2.1 支持向量分类机 |
| 4.2.2.2 支持向量回归 |
| 4.2.3 核函数及支持向量机参数 |
| 4.2.3.1 核函数 |
| 4.2.3.2 支持向量机中的参数 |
| 4.3 自适应粒子群优化算法 |
| 4.3.1 基本粒子群算法 |
| 4.3.2 自适应粒子群算法 |
| 4.4 基于SCPSO的支持向量机参数的选择和优化 |
| 4.5 本章小结 |
| 第5章 实验数据采集、测试及分析 |
| 5.1 数据获取 |
| 5.2 重复性、高低温和交叉干扰实验 |
| 5.2.1 重复性实验 |
| 5.2.2 高低温实验 |
| 5.2.3 交叉干扰实验 |
| 5.3 基于支持向量机的有毒有害气体检测实验 |
| 5.3.1 数据处理 |
| 5.3.2 基于标准支持向量机实验 |
| 5.3.3 基于PSO优化的支持向量机实验 |
| 5.3.4 基于SCPSO优化的支持向量机实验 |
| 5.3.5 数据对比和分析 |
| 5.4 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得学术成果 |
| 附录 |
| A中英文缩写词释义 |
（4）基于支持向量机的乳腺癌诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 医疗数据研究背景及意义 |
| 1.1.2 乳腺癌应用背景及意义 |
| 1.2 国内外的研究现状 |
| 1.2.1 数据挖掘在医疗领域研究现状 |
| 1.2.2 支持向量机在乳腺癌诊断中的研究现状 |
| 1.3 研究内容及论文的组织结构 |
| 1.3.1 研究内容 |
| 1.3.2 论文的组织结构 |
| 2 支持向量机相关理论知识 |
| 2.1 统计学习理论 |
| 2.1.1 VC维 |
| 2.1.2 推广性的界 |
| 2.1.3 结构风险最小化 |
| 2.2 支持向量机原理 |
| 2.2.1 线性支持向量机 |
| 2.2.2 非线性支持向量机 |
| 2.2.3 核函数 |
| 2.3 支持向量机训练算法 |
| 2.4 支持向量机与神经网络性能比较 |
| 2.5 分类器评价指标 |
| 2.6 本章小结 |
| 3 基于支持向量机的乳腺癌诊断方法研究 |
| 3.1 核函数的选取和需要优化的参数 |
| 3.1.1 SVM核函数选取 |
| 3.1.2 需要优化的参数 |
| 3.2 参数寻优算法的选择和改进 |
| 3.2.1 网格搜索法 |
| 3.2.2 交叉验证 |
| 3.2.3 改进的网格搜索法 |
| 3.3 基于改进GridSearchCV的 SVM诊断模型的建立 |
| 3.4 实验结果与分析 |
| 3.4.1 数据集说明 |
| 3.4.2 数据预处理 |
| 3.4.3 实验结果 |
| 3.5 本章小结 |
| 4 基于Relief-F特征加权支持向量机的乳腺癌诊断方法研究 |
| 4.1 支持向量机存在的问题 |
| 4.2 特征权重法 |
| 4.2.1 信息增益分析IG |
| 4.2.2 Gini指标 |
| 4.2.3 Relief-F算法 |
| 4.3 特征权重法选择 |
| 4.4 Relief-F特征加权支持向量机 |
| 4.5 基于Relief-F特征加权支持向量机诊断模型的建立 |
| 4.6 实验结果与分析 |
| 4.7 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的科研成果 |
（5）液压支架故障诊断与预测研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状综述 |
| 1.3 研究内容和方法 |
| 1.4 本章小结 |
| 2 液压支架故障现状分析 |
| 2.1 液压支架种类 |
| 2.2 液压支架工作原理 |
| 2.3 液压支架立柱工作过程 |
| 2.4 液压支架故障分析 |
| 2.5 液压支架相关监测指标 |
| 2.6 本章小结 |
| 3 液压支架故障诊断研究 |
| 3.1 因子分析法介绍 |
| 3.2 支持向量机方法 |
| 3.3 贝叶斯网络方法 |
| 3.4 故障诊断方法的设计 |
| 3.5 液压支架相关数据的整理 |
| 3.6 故障诊断模型构建 |
| 3.7 实例验证 |
| 3.8 本章小结 |
| 4 液压支架故障预测研究 |
| 4.1 故障预测的设计 |
| 4.2 样本3的选择和整理 |
| 4.3 模型参数的选择 |
| 4.4 实例验证与结果对比 |
| 4.5 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（6）基于机器学习的弹道落点预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 弹道落点预测研究概况 |
| 1.3 机器学习研究概况 |
| 1.3.1 机器学习的发展历程 |
| 1.3.2 机器学习的分类 |
| 1.4 本文的主要研究内容 |
| 1.5 本文的结构安排 |
| 2 弹丸飞行动力学模型 |
| 2.1 常用坐标系及坐标系转换 |
| 2.1.1 常用坐标系 |
| 2.1.2 各坐标系间的转换 |
| 2.2 作用在弹丸上的力和力矩 |
| 2.2.1 相对气流速度和相对攻角 |
| 2.2.2 作用在弹丸上的力 |
| 2.2.3 作用在弹丸上的力矩 |
| 2.3 弹丸运动方程组的建立 |
| 2.3.1 弹丸运动方程的一般形式 |
| 2.3.2 六自由度刚体弹道方程 |
| 2.4 本章小结 |
| 3 基于BP神经网络的弹道落点预测 |
| 3.1 人工神经元 |
| 3.2 BP神经网络基本原理 |
| 3.2.1 BP神经网络原理 |
| 3.2.2 标准BP算法的改进 |
| 3.3 数据集和评价指标的建立 |
| 3.3.1 数据集的划分 |
| 3.3.2 数据标准化 |
| 3.3.3 预测性能评价指标 |
| 3.4 网络的结构和训练 |
| 3.4.1 网络结构的确定 |
| 3.4.2 网络的训练过程 |
| 3.5 仿真分析 |
| 3.5.1 不同采集点数的预测分析 |
| 3.5.2 预测时间分析 |
| 3.6 本章小结 |
| 4 基于支持向量机的弹道落点预测 |
| 4.1 统计学习理论 |
| 4.1.1 VC维理论 |
| 4.1.2 结构风险最小化原则 |
| 4.2 分类支持向量机 |
| 4.2.1 最优超平面 |
| 4.2.2 软间隔 |
| 4.2.3 核函数 |
| 4.3 回归支持向量机 |
| 4.4 模型超参数的选择 |
| 4.4.1 交叉验证 |
| 4.4.2 网格搜索 |
| 4.5 仿真分析 |
| 4.5.1 不同采集点数的预测分析 |
| 4.5.2 预测时间分析 |
| 4.6 本章小结 |
| 5 基于粒子群优化算法优化的弹道落点预测 |
| 5.1 粒子群优化算法基本原理 |
| 5.2 粒子群优化算法主要流程 |
| 5.3 粒子群优化算法优化的BP神经网络仿真分析 |
| 5.4 粒子群优化算法优化的支持向量机仿真分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 本文的主要工作 |
| 6.2 进一步研究的展望 |
| 致谢 |
| 参考文献 |
（7）基于支持向量机法的降雨型边坡可靠性预测模型（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 边坡稳定性分析方法研究现状 |
| 1.2.2 边坡可靠性研究现状 |
| 1.2.3 支持向量机(SVM)在边坡工程中的应用现状 |
| 1.3 论文的主要研究内容 |
| 第二章 边坡可靠度分析方法 |
| 2.1 可靠度分析原理 |
| 2.2 可靠度分析方法 |
| 2.2.1 一次二阶矩法(FOSM) |
| 2.2.2 二次可靠性分析法(SORM) |
| 2.2.3 响应面法 |
| 2.2.4 蒙特卡洛法 |
| 2.3 本章小结 |
| 第三章 统计学习理论和支持向量机法 |
| 3.1 机器学习原理 |
| 3.1.1 机器学习的原理 |
| 3.1.2 经验风险最小化(ERM) |
| 3.2 统计学习理论 |
| 3.2.1 推广能力的界与VC维 |
| 3.2.2 结构风险最小化(SRM) |
| 3.3 支持向量机 |
| 3.3.1 最优超平面 |
| 3.3.2 构造最优超平面 |
| 3.3.3 支持向量机结构 |
| 3.3.4 用于函数拟合的支持向量机 |
| 3.4 本章小结 |
| 第四章 基于正交试验的边坡稳定性影响因素分析 |
| 4.1 正交实验设计原理 |
| 4.2 正交试验参数选取 |
| 4.3 边坡稳定性影响因素分析 |
| 4.4 本章小结 |
| 第五章 基于支持向量机的边坡稳定性预测 |
| 5.1 模型建立原理 |
| 5.1.1 主成分分析法的原理 |
| 5.1.2 支持向量机相关原理 |
| 5.1.3 粒子群算法 |
| 5.2 模型的建立 |
| 5.3 基于支持向量机法的边坡稳定性预测结果分析 |
| 5.4 本章小结 |
| 第六章 基于支持向量机的边坡可靠度分析 |
| 6.1 边坡可靠度分析原理 |
| 6.2 边坡可靠度样本点选取 |
| 6.3 取样范围和取样数目 |
| 6.4 边坡失稳可靠度工程实例计算 |
| 6.4.1 工程实例概况 |
| 6.4.2 边坡工程实例可靠度指标确定 |
| 6.4.3 边坡可靠度计算 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和科研成果 |
| 作者简介 |
| 致谢 |
（8）基于改进模糊支持向量机的煤与瓦斯突出预测（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 选题背景 |
| 1.2 课题研究意义 |
| 1.3 国内外研究现状 |
| 1.4 本文研究内容和论文结构 |
| 2 基于统计学理论的支持向量机 |
| 2.1 机器学习与统计学习理论 |
| 2.2 支持向量机理论 |
| 2.3 模糊支持向量机 |
| 2.4 本章小结 |
| 3 基于灰色理论的煤与瓦斯突出预测指标的选取 |
| 3.1 煤与瓦斯突出发生的原因 |
| 3.2 煤与瓦斯突出强度分类 |
| 3.3 煤与瓦斯突出的定律 |
| 3.4 煤与瓦斯突出影响因素分析 |
| 3.5 基于灰色关联度分析的突出预测指标选取 |
| 3.6 本章小结 |
| 4 粒子群算法的改进及与模糊支持向量机的结合 |
| 4.1 标准粒子群算法 |
| 4.2 改进的粒子群算法 |
| 4.3 结合改进粒子群算法的模糊支持向量机 |
| 4.4 本章小结 |
| 5 基于粒子群优化模糊支持向量机的煤与瓦斯突出预测 |
| 5.1 改进模糊支持向量机仿真流程 |
| 5.2 PSO-FSVM与 FSVM预测结果的比较 |
| 5.3 PSO-FSVM与 PSO-SVM预测结果的比较 |
| 5.4 PSO-FSVM与 BP神级网络预测结果的比较 |
| 5.5 训练指标分析 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 本文总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简介 |
| 学位论文数据集 |
（9）支持向量机模型的优化及其应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题依据 |
| 1.1.1 支持向量机泛化能力强、应用广泛 |
| 1.1.2 单一支持向量机存在一定的局限性 |
| 1.1.3 优化模型的提出 |
| 1.2 研究意义 |
| 1.2.1 理论意义 |
| 1.2.2 实际意义 |
| 1.3 研究思路与主要研究内容 |
| 1.3.1 研究思路 |
| 1.3.2 主要研究内容 |
| 1.4 主要创新与不足之处 |
| 1.4.1 主要创新点 |
| 1.4.2 主要不足之处 |
| 2 优化支持向量机的提出 |
| 2.1 支持向量机的原理与特点 |
| 2.1.1 支持向量机的研究背景 |
| 2.1.2 几种常见支持向量机的方法介绍 |
| 2.2 优化支持向量机的研究现状与述评 |
| 2.2.1 支持向量机数据结构优化的研究现状与述评 |
| 2.2.2 支持向量机参数优化的研究现状与述评 |
| 2.2.3 支持向量机组合优化的研究现状与述评 |
| 3 支持向量机的数据结构优化及其应用 |
| 3.1 数据结构优化的原理与特点 |
| 3.1.1 KZ滤波 |
| 3.1.2 KZ自适应滤波器 |
| 3.1.3 改进后的KZ滤波方法 |
| 3.2 基于支持向量机的数据结构优化模型的构建 |
| 3.3 实际问题的背景与研究现状 |
| 3.3.1 国外大气污染预警现状 |
| 3.3.2 国内大气污染预警现状 |
| 3.4 数据结构优化模型在大气污染预警中的应用 |
| 3.4.1 数据分析与预处理 |
| 3.4.2 细颗粒物过滤结果 |
| 3.4.3 可吸入颗粒物过滤结果 |
| 3.4.4 空气污染物的预测模型 |
| 3.4.5 模型预测性能的扩展实验 |
| 3.5 本章小结 |
| 4 支持向量机的参数优化及其应用 |
| 4.1 帝国竞争算法(ICA)的原理与特点 |
| 4.2 支持向量机参数优化模型的构建 |
| 4.2.1 获得最优训练集的方法(欧几里得距离) |
| 4.2.2 参数优化模型 |
| 4.3 实际问题的背景与研究概况 |
| 4.3.1 电影票房预测的背景介绍 |
| 4.3.2 关于解释变量的文献研究 |
| 4.3.3 关于预测模型的文献研究 |
| 4.4 参数优化模型在电影票房预测中的应用 |
| 4.4.1 电影票房预测的数据介绍 |
| 4.4.2 数据预处理 |
| 4.4.3 统计指标 |
| 4.4.4 本实验的研究框架 |
| 4.4.5 最优训练集的选择 |
| 4.4.6 LSSVM与其他常用预测模型的比较 |
| 4.4.7 ICA与其它优化算法在优化LSSVM参数方面的比较 |
| 4.5 讨论 |
| 4.6 本章小结 |
| 5 支持向量机的组合优化及其应用 |
| 5.1 支持向量机组合优化模型的构建 |
| 5.1.1 支持向量机方法组合优化的构建 |
| 5.1.2 支持向量机模型组合优化的构建 |
| 5.2 方法组合优化在能源经济上的应用 |
| 5.2.1 能源经济的背景介绍 |
| 5.2.2 风速预测的研究概况 |
| 5.2.3 数据介绍与预处理 |
| 5.2.4 实证设定 |
| 5.2.5 实证结果与分析 |
| 5.2.6 方法组合优化小结 |
| 5.3 模型组合优化在生存数据上的应用 |
| 5.3.1 模拟实验与分析 |
| 5.3.2 实际数据应用 |
| 5.3.3 模型组合优化小结 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 优化模型的适用性讨论 |
| 6.2 结论 |
| 6.3 未来研究方向 |
| 在学期间发表的科研成果 |
| 附录 |
| 参考文献 |
| 后记 |
（10）基于小波分析和支持向量机的滚动轴承故障诊断研究（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外发展历程与研究现状 |
| 1.2.1 发展历程 |
| 1.2.2 发展前景 |
| 1.2.3 现有文献综述 |
| 1.3 研究内容与章节安排 |
| 1.3.1 研究内容 |
| 1.3.2 章节安排 |
| 1.4 研究思路与技术路线 |
| 1.4.1 研究思路 |
| 1.4.2 研究方法 |
| 1.4.3 技术路线 |
| 1.5 可能的创新之处 |
| 1.6 本章小结 |
| 第二章 滚动轴承的振动机理及故障特征 |
| 2.1 滚动轴承的失效及检测方法 |
| 2.1.1 滚动轴承失效形式 |
| 2.1.2 故障发展过程 |
| 2.1.3 滚动轴承检测方法 |
| 2.2 振动机理 |
| 2.3 滚动轴承的振动频率分析 |
| 2.3.1 滚动轴承的固有振动频率 |
| 2.3.2 滚动轴承的故障特征频率 |
| 2.4 本章小结 |
| 第三章 基于小波分析的滚动轴承降噪及信号特征提取 |
| 3.1 小波变换理论 |
| 3.1.1 连续小波变换 |
| 3.1.2 离散小波变换 |
| 3.1.3 离散小波变换快速算法(Mallat算法) |
| 3.2 小波降噪仿真试验及实际应用 |
| 3.3 小波变换应用于信号特征提取 |
| 3.4 本章小结 |
| 第四章 支持向量机理论与回归型支持向量机 |
| 4.1 统计学习理论 |
| 4.1.1 VC维 |
| 4.1.2 推广性的界 |
| 4.1.3 结构风险最小化 |
| 4.2 最优分类面和支持向量机 |
| 4.2.1 线性情况下的最优超平面构造 |
| 4.2.2 非线性情况 |
| 4.3 回归型支持向量机 |
| 4.4 本章小结 |
| 第五章 基于双层回归型支持向量机的故障诊断方法 |
| 5.1 多故障回归模型的建立 |
| 5.1.1 故障特征提取 |
| 5.1.2 基于双层回归型支持向量机的轴承故障诊断 |
| 5.1.3 双层回归型支持向量机参数的选择与优化 |
| 5.2 实证研究 |
| 5.3 与传统支持向量机诊断效果的比较 |
| 5.4 结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 作者和导师简介 |
| 附件 |
四、关于统计学习理论与支持向量机（论文参考文献）
- [1]基于粒子群算法的RS-SVM改进与空区危险程度智能判识研究[D]. 乐彪华. 合肥工业大学, 2021(02)
- [2]基于支持向量机的股票市场趋势分析及预测研究[D]. 张磊. 南京邮电大学, 2020(02)
- [3]基于传感器阵列的有毒有害气体检测的数据融合研究[D]. 李永科. 成都理工大学, 2020(04)
- [4]基于支持向量机的乳腺癌诊断方法研究[D]. 黄静. 西南科技大学, 2020(08)
- [5]液压支架故障诊断与预测研究[D]. 张振. 中国矿业大学, 2020(01)
- [6]基于机器学习的弹道落点预测研究[D]. 王森. 南京理工大学, 2020(01)
- [7]基于支持向量机法的降雨型边坡可靠性预测模型[D]. 孙伟超. 河北地质大学, 2019(08)
- [8]基于改进模糊支持向量机的煤与瓦斯突出预测[D]. 孙宇航. 中国矿业大学, 2019(04)
- [9]支持向量机模型的优化及其应用研究[D]. 李培志. 东北财经大学, 2019(06)
- [10]基于小波分析和支持向量机的滚动轴承故障诊断研究[D]. 陶骏杰. 北京化工大学, 2019(06)