| 符号说明 | 第4-7页 |
| 中文摘要 | 第7-9页 |
| Abstract | 第9-10页 |
| 1 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究现状及分析 | 第12-14页 |
| 1.2.1 国内外研究现状 | 第12-14页 |
| 1.2.2 研究现状分析 | 第14页 |
| 1.3 主要研究内容 | 第14-15页 |
| 1.4 本文组织结构 | 第15-17页 |
| 2 相关理论基础 | 第17-33页 |
| 2.1 统计学习理论 | 第17-20页 |
| 2.1.1 统计学中的分类问题 | 第17-18页 |
| 2.1.2 经验风险最小化原则 | 第18-19页 |
| 2.1.3 VC维 | 第19页 |
| 2.1.4 推广性的界 | 第19页 |
| 2.1.5 结构风险最小化原则 | 第19-20页 |
| 2.2 支持向量机 | 第20-28页 |
| 2.2.1 线性可分支持向量机 | 第20-24页 |
| 2.2.2 线性不可分支持向量机 | 第24-27页 |
| 2.2.3 支持向量机算法分析 | 第27-28页 |
| 2.3 局部支持向量机 | 第28-29页 |
| 2.3.1 局部支持向量机算法的原理 | 第28-29页 |
| 2.3.2 局部支持向量机算法分析 | 第29页 |
| 2.4 实验数据集 | 第29-31页 |
| 2.4.1 UCI数据库 | 第30页 |
| 2.4.2 玉米图像数据集 | 第30-31页 |
| 2.4.3 树皮图像数据集 | 第31页 |
| 2.5 小结 | 第31-33页 |
| 3 基于聚类的快速局部支持向量机 | 第33-50页 |
| 3.1 改进的k最近邻算法 | 第33-35页 |
| 3.1.1 k最近邻算法 | 第33-34页 |
| 3.1.2 改进的k最近邻算法 | 第34-35页 |
| 3.2 FKNN-SVM算法 | 第35-37页 |
| 3.3 FKNN-SVM图像分类算法 | 第37-38页 |
| 3.4 FKNN-SVM算法实验与分析 | 第38-42页 |
| 3.5 CFKNN-SVM算法 | 第42-44页 |
| 3.6 CFKNN-SVM算法实验与分析 | 第44-49页 |
| 3.6.1 UCI数据实验与分析 | 第44-46页 |
| 3.6.2 树皮图像实验与分析 | 第46-49页 |
| 3.7 小结 | 第49-50页 |
| 4 适用于不平衡数据的局部支持向量机 | 第50-55页 |
| 4.1 不平衡数据 | 第50页 |
| 4.2 CLSVM算法 | 第50-52页 |
| 4.3 CLSVM算法实验与分析 | 第52-54页 |
| 4.4 小结 | 第54-55页 |
| 5 邻域核函数局部支持向量机 | 第55-61页 |
| 5.1 邻域核函数 | 第55-56页 |
| 5.2 Neighborhood-LSVM算法 | 第56-57页 |
| 5.3 Neighborhood-LSVM算法实验与分析 | 第57-60页 |
| 5.4 小结 | 第60-61页 |
| 6 总结与展望 | 第61-63页 |
| 6.1 本文工作的总结 | 第61-62页 |
| 6.2 后续研究工作的展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
| 攻读学位期间发表论文情况 | 第68-69页 |
| 攻读学位期间参加的科研项目 | 第69页 |