| 摘要 | 第1-9页 |
| Abstract | 第9-15页 |
| 第一章 绪论 | 第15-26页 |
| §1.1 选题的研究背景和意义 | 第15-16页 |
| §1.2 SVM算法目前的研究现状 | 第16-23页 |
| §1.2.1 支持向量分类机 | 第16-20页 |
| §1.2.2 支持向量回归机 | 第20-21页 |
| §1.2.3 SVM参数选择研究 | 第21-22页 |
| §1.2.4 SVM的应用方面研究 | 第22-23页 |
| §1.3 本文的主要内容及创新点 | 第23-26页 |
| 第二章 支持向量机理论 | 第26-40页 |
| §2.1 引言 | 第26-27页 |
| §2.2 机器学习的基本方法 | 第27-29页 |
| §2.2.1 学习问题的一般表示 | 第27-28页 |
| §2.2.2 经验风险最小化原则 | 第28页 |
| §2.2.3 模型复杂度与推广能力 | 第28-29页 |
| §2.3 统计学习理论的基本思想 | 第29-31页 |
| §2.3.1 VC维 | 第29-30页 |
| §2.3.2 泛化误差界 | 第30页 |
| §2.3.3 结构风险最小化原则 | 第30-31页 |
| §2.4 支持向量机 | 第31-40页 |
| §2.4.1 基本概念 | 第32-33页 |
| §2.4.2 线性支持向量机 | 第33-35页 |
| §2.4.3 非线性支持向量机 | 第35-37页 |
| §2.4.4 支持向量回归机 | 第37-40页 |
| 第三章 最小二乘支持向量机的快速近似算法 | 第40-56页 |
| §3.1 引言 | 第40-42页 |
| §3.1.1 最小二乘支持向量机 | 第40-41页 |
| §3.1.2 相关工作回顾 | 第41-42页 |
| §3.2 HBILS-SVM算法 | 第42-50页 |
| §3.2.1 核矩阵迭代计算 | 第43-46页 |
| §3.2.2 Backfitting法则 | 第46-47页 |
| §3.2.3 Invfitting法则 | 第47-49页 |
| §3.2.4 HBILS-SVM算法归纳 | 第49-50页 |
| §3.3 数值模拟 | 第50-53页 |
| §3.4 小结 | 第53-56页 |
| 第四章 改进几何支持向量机算法 | 第56-70页 |
| §4.1 引言 | 第56-59页 |
| §4.1.1 SVM的几何意义 | 第56-58页 |
| §4.1.2 简约凸包 | 第58-59页 |
| §4.2 改进几何SVM算法 | 第59-66页 |
| §4.2.1 压缩凸包 | 第59-62页 |
| §4.2.2 SVM的模型选择 | 第62-64页 |
| §4.2.3 稀疏化处理 | 第64页 |
| §4.2.4 基于CCH的几何算法 | 第64-66页 |
| §4.3 数值模拟 | 第66-68页 |
| §4.4 小结 | 第68-70页 |
| 第五章 总间隔v-支持向量机与几何解释 | 第70-89页 |
| §5.1 引言 | 第70-72页 |
| §5.1.1 总间隔支持向量机 | 第70-72页 |
| §5.2 总间隔v-支持向量机及其几何意义 | 第72-77页 |
| §5.2.1 总间隔v-支持向量机 | 第72-75页 |
| §5.2.2 TM-v-SVM的几何意义 | 第75-77页 |
| §5.3 软压缩凸包与几何算法 | 第77-84页 |
| §5.3.1 软压缩凸包 | 第77-81页 |
| §5.3.2 稀疏化处理 | 第81-82页 |
| §5.3.3 基于SCCH的几何算法 | 第82-84页 |
| §5.4 数值模拟 | 第84-86页 |
| §5.4.1 TM-v-SVM与v-SVM性能比较 | 第84-85页 |
| §5.4.2 几何算法性能比较 | 第85-86页 |
| §5.5 小结 | 第86-89页 |
| 第六章 改进几何支持向量回归 | 第89-100页 |
| §6.1 引言 | 第89-91页 |
| §6.1.1 基于分类的回归算法 | 第89-91页 |
| §6.2 改进几何支持向量回归 | 第91-95页 |
| §6.2.1 经验法向量样本平移(GSS)算法 | 第92-93页 |
| §6.2.2 在线特征法向量样本平移(OFGSS)算法 | 第93-95页 |
| §6.3 数值模拟 | 第95-97页 |
| §6.4 小结 | 第97-100页 |
| 第七章 支持向量机模型选择的几何方法 | 第100-110页 |
| §7.1 引言 | 第100-102页 |
| §7.1.1 SVM模型选择 | 第101-102页 |
| §7.2 SVM模型选择的几何方法 | 第102-105页 |
| §7.3 数值模拟 | 第105-107页 |
| §7.4 小结 | 第107-110页 |
| 第八章 序列最小化直推式支持向量机 | 第110-122页 |
| §8.1 引言 | 第110-114页 |
| §8.1.1 直推式支持向量机 | 第110-112页 |
| §8.1.2 相关工作回顾 | 第112-114页 |
| §8.2 序列最小化直推式支持向量机 | 第114-117页 |
| §8.3 数值模拟 | 第117-119页 |
| §8.4 小结 | 第119-122页 |
| 第九章 支持向量机的应用研究 | 第122-137页 |
| §9.1 引言 | 第122-123页 |
| §9.2 基于域得分的蛋白质相互作用预测 | 第123-127页 |
| §9.2.1 实验数据 | 第123-124页 |
| §9.2.2 特征表示 | 第124-125页 |
| §9.2.3 结果与讨论 | 第125-127页 |
| §9.3 基于残基序列信息的蛋白质相互作用位点预测 | 第127-131页 |
| §9.3.1 实验数据 | 第127-128页 |
| §9.3.2 特征表示 | 第128-130页 |
| §9.3.3 结果与讨论 | 第130-131页 |
| §9.4 小结 | 第131-137页 |
| 参考文献 | 第137-150页 |
| 攻读博士学位期间完成及发表的论文 | 第150-151页 |
| 致谢 | 第151页 |
