统计学习理论在研究小样本情况下表现出了极好的性能，支持向量机和支持向量机回归是统计学习理论的重要组成部分，具有较好的推广能力和非线性建模特性。由于现有非线性建模与智能控制方法存在诸如模型结构的选取过分依赖经验、局部极小点等问题，因而，本书采用支持向量机和支持向量机回归进行建模预测与控制的研究。但基于二次规划的支持向量机和支持向量机回归不适合在线建模与实时控制，因此，本书在介绍支持向量机的基本理论基础上进行在线支持向量计回归算法的研究。主要内容包括：支持向量机与回归的理论与方法、支持向量机灾害天气预测、支持向量机回归非线性建模方法、支持向量机预测控制、支持向量机内模控制、在线稀疏最小二乘支持向量机回归模型与内模控制。
　　《支持向量机建模预测与控制》适合高等院校相关专业高年级学生、研究生使用，也可作为教师和科研人员的参考书。

 

前言
第1章 绪论
1.1 概述
1.2 支持向量机的发展
1.3 SVMR、建模与控制的研究现状与存在的问题
1.4 智能控制研究的现状与面临的挑战
1.5 研究的动机与目标
1.6 研究的内容
第2章 支持向量机与支持向量机回归
2.1 概述
2.2 SVM的基础
2.3 支持向量机
2.4 支持向量机回归
2.5 模型选择
2.6 支持向量机种类
2.7 本章小结
第3章 基于SVM的灾害天气预测方法
3.1 支持向量机灾害天气预测意义
3.2 支持向量机灾害天气建模与预测方法
3.3 支持向量机灾害天气预测实验
3.4 结论
3.5 本章小结
第4章 支持向量机回归非线性建模方法及应用
4.1 非线性建模理论研究现状与意义
4.2 系统过程建模的一般原理
4.3 支持向量机回归建模
4.4 结论
4.5 本章小结
第5章 支持向量机回归内模控制
5.1 概述
5.2 内模控制的基本原理
5.3 非线性内模控制的研究现状
5.4 支持向量机回归内模控制
5.5 SVMR内模控制的仿真与分析
5.6 结论
5.7 本章小结
第6章 支持向量机回归预测控制
6.1 概述
6.2 预测控制的原理
6.3 支持向量机回归预测控制
6.4 SVMR预测控制的实验与分析
6.5 结论
6.6 本章小结
第7章 在线稀疏最小二乘支持向量机回归
7.1 概述
7.2 最小二乘支持向量机
7.3 在线稀疏最小二乘支持向量机
7.4 在线稀疏最小二乘支持向量机收敛性分析
7.5 仿真实验及分析
7.6 结论
7.7 本章小结
第8章 基于OS-LSSVM的内模控制方法
8.1 概述
8.2 内模控制的基本原理
8.3 非线性内模控制的研究现状
8.4 OS-LSSVM回归内模控制
8.5 OS-LSsVM内模控制的实验与分析
8.6 结论
8.7 本章小结
第9章 数字温室环境OS-LSSVM建模与基于SP的控制方法研究
9.1 概述
9.2 温室智能控制的研究现状与存在问题
9.3 温室环境与作物生长模型
9.4 温室环境OS-LSsVM建模的研究
9.5 基于SPA的温室环境OS-LSSVMR控制方法
9.6 结论
9.7 本章小结
参考文献
后记