基于支持向量回归机的无迹卡尔曼滤波设计与应用 |
论文目录 | | | 作者简介 | 第1-7页 | | 摘要 | 第7-10页 | | ABSTRACT | 第10-14页 | | 目录 | 第14-17页 | | 第一章 绪论 | 第17-24页 | | · 课题研究的背景及意义 | 第17-18页 | | · 无迹卡尔曼滤波算法概述 | 第18-20页 | | · 支持向量回归机算法概述 | 第20-21页 | | · 差分演化算法概述 | 第21-22页 | | · 本文工作与章节安排 | 第22-24页 | | 第二章 支持向量回归机 | 第24-37页 | | · 引言 | 第24页 | | · 支持向量回归过程 | 第24-29页 | | · 线性情况支持向量回归 | 第24-27页 | | · 非线性情况支持向量回归 | 第27-29页 | | · 支持向量回归机参数优化 | 第29-36页 | | · SVR参数优化方法分析 | 第29-30页 | | · 差分演化算法 | 第30-33页 | | · 基于差分演化算法的SVR参数选择 | 第33-36页 | | · 本章小结 | 第36-37页 | | 第三章 无迹卡尔曼滤波 | 第37-60页 | | · 引言 | 第37页 | | · 无迹卡尔曼滤波 | 第37-40页 | | · 无迹变换与缩放因子选择分析 | 第40-50页 | | · 采样点策略 | 第40-42页 | | · 缩放因子选择分析 | 第42-44页 | | · 误差分析 | 第44-46页 | | · 实验分析 | 第46-50页 | | · 基于差分演化算法的缩放因子选择 | 第50-57页 | | · 一些缩放因子优化方法分析 | 第50页 | | · 基于差分演化算法的缩放因子选择方法 | 第50-52页 | | · 仿真实验 | 第52-57页 | | · 优化缩放因子分析 | 第57-59页 | | · 本章小结 | 第59-60页 | | 第四章 基于支持向量回归机的无迹卡尔曼滤波 | 第60-70页 | | · 引言 | 第60页 | | · 建立SVR回归模型 | 第60-66页 | | · 确定回归模型要素 | 第60-62页 | | · 实验分析 | 第62-66页 | | · 基于SVR的缩放参数选择 | 第66-69页 | | · 本章小结 | 第69-70页 | | 第五章 基于多维输出支持向量回归机的无迹卡尔曼滤波 | 第70-85页 | | · 引言 | 第70页 | | · MSVR方法分析 | 第70-81页 | | · 基于协同克里金法的MSVR | 第71-74页 | | · 基于超球体损失函数的MSVR | 第74-77页 | | · 基于虚拟化向量的MSVR | 第77-79页 | | · 实验分析 | 第79-81页 | | · 基于多维输出支持向量回归机的无迹卡尔曼滤波设计 | 第81-84页 | | · 滤波器设计 | 第81-82页 | | · 仿真实验 | 第82-84页 | | · 本章小结 | 第84-85页 | | 第六章 基于支持向量回归机的无迹卡尔曼滤波在时间序列分析中的应用 | 第85-99页 | | · 引言 | 第85页 | | · 时间序列分析 | 第85-86页 | | · 在数据异常监测中的应用 | 第86-91页 | | · 问题描述 | 第87页 | | · 建模方法分析 | 第87-88页 | | · 数据异常监测实验 | 第88-91页 | | · 在股票预测中的应用 | 第91-97页 | | · 问题描述 | 第91页 | | · 建模方法分析 | 第91-95页 | | · 股票预测实验 | 第95-97页 | | · 本章小结 | 第97-99页 | | 第七章 全文总结与展望 | 第99-101页 | | · 全文总结 | 第99-100页 | | · 未来工作展望 | 第100-101页 | | 致谢 | 第101-102页 | | 参考文献 | 第102-111页 | | 附录1 DE搜索κ结果 | 第111-112页 | | 附录2 DE搜索α,β,κ结果 | 第112-114
页 |
|
|
|
