小樣本多元數據分析方法及應用

第1章 緒論
1. 1 小樣本多元數據分析問題的背景
1. 2 小樣本多元數據分析的特點
1. 2. 1 小樣本多元數據分析的假設條件
1. 2. 2 多元線性回歸分析中樣本容量問題的討論
第2章 多元線性回歸分析
2. 1 多元線性回歸分析原理
2. 1. 1 多元線性模型的形式和參數估計
2. 1. 2 模型的假設檢驗
2. 2 實例分析
第3章 偏最小二乘回歸分析
3. 1 偏最小二乘回歸方法概述
3. 2 偏最小二乘回歸分析的原理
3. 2. 1 偏最小二乘回歸分析的算法和思路
3. 2. 2 偏最小二乘回歸的建模步驟
3. 2. 3 交叉有效性分析
3. 3 偏最小二乘回歸的輔助分析技術
3. 3. 1 變量投影重要性分析
3. 3. 2 X和y之間相關關系分析
3. 3. 3 特異樣本的判別
3. 4 實例分析
3. 5 偏最小二乘回歸與其他回歸方法的比較
第4章 方差分量線性模型
4. 1 問題提出的背景
4. 2 方差分量線性模型的分析方法
4. 2. 1 方差分量線性模型的基本概念
4. 2. 2 方差分量線性模型的參數估計
4. 3 實例分析
第5章 自變量篩選和綜合特征參數模型
5. 1 自變量篩選方法
5. 1. 1 自變量篩選方法分析
5. 1. 2 灰色關聯(lián)度分析方法的探討
5. 2 綜合特征參數模型
5. 2. 1 綜合特征參數模型的特點
5. 2. 2 戰(zhàn)斗機常用綜合特征參數的構建
第6章 貝葉斯統(tǒng)計分析方法
6. 1 貝葉斯統(tǒng)計分析的基本理論
6. 2 貝葉斯推斷
6. 2. 1 先驗獲取
6. 2. 2 點估計
6. 2. 3 可信區(qū)間
6. 2. 4 假設檢驗
6. 3 貝葉斯多元數據分析模型
6. 3. 1 多元線性模型
6. 3. 2 廣義線性模型
6. 3. 3 近似方法
6. 3. 4 案例分析
6. 4 貝葉斯網絡
6. 4. 1 貝葉斯網絡的結構及建立方法
6. 4. 2 貝葉斯網絡的語義
6. 4. 3 貝葉斯網絡的推斷
6. 4. 4 學習貝葉斯網絡
第7章 統(tǒng)計學習理論與支持矢量機
7. 1 機器學習基本原理
7. 1. 1 學習問題的表示
7. 1. 2 經驗風險最小化歸納原則
7. 1. 3 學習的復雜性與推廣性分析
7. 2 統(tǒng)計學習理論
7. 2. 1 學習過程一致性
7. 2. 2 函數集的VC維
7. 2. 3 學習機器推廣性的界
7. 2. 4 結構風險最小化歸納原則
7. 3 支持矢量機
7. 3. 1 最優(yōu)分類超平面
7. 3. 2 廣義最優(yōu)分類超平面
7. 3. 3 支持矢量機
7. 3. 4 支持矢量回歸估計
7. 3. 5 最小二乘支持矢量機
7. 4 基于支持矢量機的R&D項目中止決策
7. 4. 1 構建支持矢量機多元分類器
7. 4. 2 基于SVM的RSLD項目中止決策模型
7. 4. 3 R&D項目中止決策實例分析
7. 5 支持矢量機對多參數武器裝備費用預測
7. 5. 1 裝備費用的SVR預測模型
7. 5. 2 裝備費用預測實例
7. 6 可靠性分布模式智能識別
7. 6. 1 SOM網絡算法
7. 6. 2 改進SOM網絡算法
7. 6. 3 構建可靠性分布模式
7. 6. 4 基于復合結構的智能識別
第8章 其他分析方法的探討
8. 1 人工神經網絡的建模分析
8. 1. 1 BP神經網絡建模原理
8. 1. 2 基于Matlab的BP網絡分析實例
8. 2 模糊系統(tǒng)的建模分析
8. 2. 1 ANFIS系統(tǒng)的建模原理
8. 2. 2 基于Matlab的ANFIS系統(tǒng)分析實例
參考文獻