这篇博士学位论文主要探讨了人工智能领域中的机器学习和智能计算的应用，尤其关注了最小二乘支持向量机（Least Squares Support Vector Machine, LSSVM）的改进和在音乐检索中的应用。以下是论文中涉及的关键知识点：
1. **支持向量机（Support Vector Machine, SVM）**：SVM是一种监督学习模型，用于分类和回归分析。它通过构造最大间隔超平面来区分数据，具有优秀的泛化能力和处理高维空间的能力。LSSVM是SVM的一种变体，它通过最小化平方误差来实现。
2. **最小二乘支持向量机（LSSVM）**：LSSVM解决了原始SVM的拉格朗日乘子问题，通过二次规划（Quadratic Programming, QP）得到的解具有稀疏性，即支持向量的数量相对较少。LSSVM在保持模型精度的同时，可以提高训练效率。
3. **增量式LSSVM（Incremental LSSVM）**：这是一种在线学习算法，能够逐步添加新的训练样本，适合处理大规模数据集，但可能会丧失部分解的稀疏性。
4. **逆学习算法（Inverse Learning Algorithm）**：在LSSVM中，逆学习算法用于调整模型参数，以获得更好的预测性能。
5. **自适应迭代最小二乘支持向量机回归（Adaptive Iterative LSSVM Regression, AILSSVR）**：论文提出了这个算法，结合增量式LSSVM和逆学习，动态地调整支持向量的数量，同时保持解的稀疏性，以提高学习速度。
6. **音乐检索**：论文研究了智能计算技术在音乐检索中的应用，特别是基于内容的检索。这涉及到从音频信号中提取特征，如短时过零率和短时能频值，用于识别和分割人声部分。
7. **音高提取和旋律描述**：论文利用量化音程描述音乐的旋律特性，通过字符串匹配算法计算旋律的相似度，从而实现哼唱检索。
8. **聚类和支持向量机分类**：论文提出了一种结合聚类和SVM的方法来检测人声片段，通过聚类选择合适的训练样本，减少SVM的训练时间。
9. **模糊聚类**：作为一种非确定性的聚类方法，模糊聚类允许数据同时属于多个类别，用于音频信号的特征表示和相似度计算。
10. **群智能算法**：包括蚁群算法等，这些算法模拟自然界中的群体行为进行优化。论文中对基本蚁群算法进行了改进，提高了运行效率和全局寻优能力，应用于一维下料问题的求解。
11. **一维下料问题**：这是一个经典的组合优化问题，目标是通过切割原材料以满足不同长度的需求，同时最大化材料利用率。改进的蚁群算法被用来解决这个问题。
通过对以上知识点的深入研究和应用，论文展示了如何利用智能计算方法改进现有模型并解决实际问题，特别是在音乐检索和一维下料问题优化方面的贡献。
