| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 支持向量机理论基础和扩展 | 第11-12页 |
| 1.2.2 支持向量机训练算法 | 第12页 |
| 1.2.3 核函数选择 | 第12-13页 |
| 1.2.4 多核学习 | 第13-14页 |
| 1.3 本文主要工作及内容 | 第14-15页 |
| 1.4 论文的章节安排 | 第15-16页 |
| 第二章 支持向量机和其理论基础 | 第16-28页 |
| 2.1 机器学习理论 | 第16-18页 |
| 2.1.1 机器学习的表示 | 第16-17页 |
| 2.1.2 经验风险最小化 | 第17-18页 |
| 2.1.3 推广能力 | 第18页 |
| 2.2 统计学习理论 | 第18-21页 |
| 2.2.1 VC维理论 | 第19页 |
| 2.2.2 推广性的界 | 第19-20页 |
| 2.2.3 结构风险最小化原则 | 第20-21页 |
| 2.3 支持向量机 | 第21-27页 |
| 2.3.1 最优分类超平面 | 第22-24页 |
| 2.3.2 线性支持向量机 | 第24-25页 |
| 2.3.3 非线性支持向量机 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 核函数优化选择的方法 | 第28-38页 |
| 3.1 核函数的特征空间 | 第28-29页 |
| 3.2 核函数 | 第29-31页 |
| 3.2.1 核函数的性质 | 第30页 |
| 3.2.2 常用的核函数 | 第30-31页 |
| 3.3 选择核函数和参数的方法 | 第31-36页 |
| 3.3.1 实验的方法 | 第32页 |
| 3.3.2 最小误差上界 | 第32-33页 |
| 3.3.3 智能优化的方法 | 第33-34页 |
| 3.3.4 独立于SVM算法的度量方法 | 第34-36页 |
| 3.4 本章小结 | 第36-38页 |
| 第四章 一种多尺度核学习的方法 | 第38-49页 |
| 4.1 混合核学习 | 第38-41页 |
| 4.1.1 局部核函数 | 第38-39页 |
| 4.1.2 全局核函数 | 第39-40页 |
| 4.1.3 混合核函数 | 第40-41页 |
| 4.2 多核学习方法 | 第41-42页 |
| 4.2.1 合成核函数的构造方法 | 第41-42页 |
| 4.2.2 合成核函数的学习方法 | 第42页 |
| 4.3 多尺度核学习方法 | 第42-44页 |
| 4.4 一种基于中心核极化准则的多尺度核加权融合的优化学习的方法 | 第44-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 算法实现及在图像方面的应用 | 第49-56页 |
| 5.1 数据集的处理 | 第49-50页 |
| 5.2 算法的实现和性能评估 | 第50-53页 |
| 5.3 与其它算法的对比实验 | 第53-55页 |
| 5.4 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 作者在读期间发表的学术论文及参加的科研项目 | 第64-65页 |
| 硕士学位论文详细摘要 | 第65-67页 |