支持向量机学习算法的研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 绪论 | 第11-16页 |
| ·课题的研究背景、意义和现状 | 第11-14页 |
| ·课题研究背景、意义 | 第11-12页 |
| ·课题研究现状 | 第12-14页 |
| ·本论文的主要研究内容和结构安排 | 第14-16页 |
| ·本论文的主要研究内容 | 第14-15页 |
| ·论文结构安排 | 第15-16页 |
| 第二章 支持向量机与统计学习理论 | 第16-26页 |
| ·统计学习理论的核心内容 | 第16-19页 |
| ·学习过程一致性的条件 | 第16-17页 |
| ·VC 维 | 第17-18页 |
| ·推广性的界 | 第18-19页 |
| ·结构风险最小化 | 第19页 |
| ·支持向量机的理论 | 第19-25页 |
| ·最优超平面 | 第19-20页 |
| ·线性情况 | 第20-23页 |
| ·非线性情况 | 第23-24页 |
| ·支持向量 | 第24页 |
| ·核函数 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 支持向量机训练算法及其改进 | 第26-38页 |
| ·求解大型问题的算法 | 第26-28页 |
| ·分解算法 | 第26-27页 |
| ·变形算法 | 第27-28页 |
| ·几何算法 | 第28页 |
| ·支持向量机的增量学习研究 | 第28-31页 |
| ·三种增量学习策略 | 第29-30页 |
| ·KKT 条件 | 第30页 |
| ·增量学习后支持向量集变化分析 | 第30-31页 |
| ·基于KKT 条件的增量学习算法 | 第31页 |
| ·SBA 算法 | 第31-33页 |
| ·线性可分情形 | 第32页 |
| ·非线性可分情形 | 第32页 |
| ·近似线性可分情形 | 第32页 |
| ·SBA 算法描述 | 第32-33页 |
| ·基于密度的SBA 算法 | 第33-35页 |
| ·选择初始集 | 第33-34页 |
| ·密度的计算 | 第34-35页 |
| ·SBA 点的选择 | 第35页 |
| ·基于密度的SBA 算法描述 | 第35页 |
| ·实验结果与分析 | 第35-37页 |
| ·实验说明 | 第35-36页 |
| ·实验数据集 | 第36页 |
| ·试验结果与分析 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第四章 一种新的多类分类算法 | 第38-50页 |
| ·引言 | 第38页 |
| ·现有的多类分类算法 | 第38-41页 |
| ·一对多分类器 | 第38-39页 |
| ·一对一分类器 | 第39-40页 |
| ·决策导向非循环图支持向量机 | 第40页 |
| ·纠错输入编码SVMs | 第40-41页 |
| ·一次性求解方法 | 第41页 |
| ·基于SBA 和KNN 的多类分类算法 | 第41-47页 |
| ·基于二叉树的支持向量机多类分类 | 第41-43页 |
| ·基于二叉树的支持向量机的改进 | 第43-44页 |
| ·训练过程 | 第44-46页 |
| ·分类过程 | 第46-47页 |
| ·算法分析 | 第47页 |
| ·实验结果与分析 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 总结与展望 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 致谢 | 第55-56页 |
| 附录A 攻读学位期间所发表的学术论文 | 第56页 |
