文摘
英文文摘
创新点摘要
第1章 绪论
1.1 特征获取的研究现状
1.1.1 特征选择
1.1.2 特征提取
1.2 本文主要研究内容
1.3 论文的结构安排
第2章 支持向量分类机与支持向量回归机
2.1 机器学习
2.1.1 机器学习的问题表示
2.1.2 经验风险最小化
2.1.3 VC维
2.1.4 期望风险的上界
2.1.5 结构风险最小化和推广能力
2.2 支持向量机
2.2.1 分类问题
2.2.2 线性可分支持向量机
2.2.3 通过对偶问题求解
2.2.4.线性支持向量机
2.2.5 非线性支持向量机
2.2.6 核函数
2.3 支持向量回归机
2.3.1 线性回归问题
2.3.2 线性硬ε带支持向量回归机
2.3.3 线性ε-支持向量回归机
2.3.4 ε-支持向量回归机
2.4 支持向量机的研究内容
2.4.1 支持向量机新算法的研究
2.4.2 支持向量机核函数选择的研究
2.4.3 海量数据优化算法的研究
2.4.4 支持向量机多类别分类方法的研究
2.4.5 基于支持向量机特征提取算法的研究
2.5 小规模样本使用SVR算法带来问题
2.5.1 实验过程
2.5.2 结果分析
2.5.3 VC推广界理论
2.5.4 小规模样本的界定
2.5.5 提高小规模训练样本学习精度的思路
2.6 本章小结
第3章 基于矩阵相似性度量、支持向量机和遗传算法的特征选择方法
3.1 映射生成非线性空间
3.1.1 多项式空间
3.1.2 倒数空间
3.1.3 对数空间
3.1.4 指数空间
3.1.5 混合空间
3.2 矩阵相似性度量选择非线性空间
3.2.1 矩阵相似性度量基本理论
3.2.2 矩阵相似度量法的合理性分析
3.2.3 矩阵相似性度量应用于选择非线性空间
3.3 遗传算法
3.3.1 遗传算法的概况
3.3.2 遗传算法的基本运算
3.4 基于矩阵相似性度量、支持向量机和遗传算法的特征选择
3.4.1 步骤
3.4.2 验证
3.5 改进的基于矩阵相似性度量、支持向量机和遗传算法的特征选择
3.5.1 步骤
3.5.2 验证
3.6 基于矩阵相似性度量、支持向量机和遗传算法的特征选择的优缺点
3.7 本章小结
第4章 基于混合核函数、矩阵相似性度量及核主成分的序列极小化方法
4.1 核主成分分析
4.1.1 KPCA的基本原理
4.1.2 核主成分分析的主要作用
4.2 序列极小化方法
4.2.1 分类问题的数学提法
4.2.2 序列极小化方法步骤
4.2.3 ε-不敏感损失函数
4.2.4 线性回归中的特征提取问题
4.3 基于核主成分的序列极小化方法
4.3.1 矩阵相似性度量应用于选择混合核函数参数
4.3.2 处理数据集步骤
4.3.3 序列极小化步骤
4.4 验证及与其他特征选择方法的比较
4.4.1 验证一
4.4.2 验证二
4.5 KPCA-RFE方法的优点
4.5.1 计算准确度分析
4.5.2 计算复杂度分析
4.6 本章小结
第5章 NLS-GA-FE方法在路面使用性能综合评价中的应用
5.1 我国高速公路使用现状
5.1.1 路面早期损坏极其严重
5.1.2 丰富的数据与贫乏的知识
5.2 路面使用性能综合评价方法简介
5.2.1 路面使用性能综合评价的意义
5.2.2 路面使用性能综合评价方法简介
5.2.3 评价方法的不足
5.3 基于SVM的路面使用性能评价模型的研究
5.3.1 多类的分类支持向量机
5.3.2 描述路面性能数据的选取
5.3.3 建模
5.3.4 评价结果分析
5.4 NLS-GA-FE方法的应用
5.5 本章小结
第6章 NLS-GA-FE方法在路面使用性能预测中的应用
6.1 路面的使用性能的预测方法
6.2 路面使用性能指标的量化
6.2.1 预测指标
6.2.2 影响因素
6.3 对影响因素进行预测
6.4 使用性能预测
6.4.1 平滑移动预测法预测参数
6.4.2 NLS-GA-FE方法预测使用性能
6.5 本章小结
第7章 结论与展望
7.1 结论
7.2 展望
参考文献
攻读学位期间发表的论文
致谢