基于支撑矢量机的模式识别算法的研究
| 学位论文独创性说明 | 第1页 |
| 学位论文知识产权声明书 | 第2-3页 |
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-7页 |
| 1 绪论 | 第7-16页 |
| ·研究背景 | 第7-8页 |
| ·SVM的理论基础 | 第8-11页 |
| ·统计学习理论 | 第8-9页 |
| ·指示函数集的VC维 | 第9-10页 |
| ·结构风险最小化原则 | 第10-11页 |
| ·SVM的基本原理 | 第11-14页 |
| ·现阶段SVM的主要研究方向 | 第14页 |
| ·主要工作和全文结构 | 第14-16页 |
| 2 支撑矢量机实现算法的研究 | 第16-26页 |
| ·分解算法 | 第16-20页 |
| ·块算法 | 第16-17页 |
| ·固定工作样本集 | 第17-19页 |
| ·序贯最小优化 | 第19-20页 |
| ·序列算法 | 第20-21页 |
| ·超球面分类算法 | 第21-25页 |
| ·算法描述 | 第21-22页 |
| ·超球面分类的优化算法 | 第22-25页 |
| ·本章小结 | 第25-26页 |
| 3 支撑矢量机多类分类实现算法 | 第26-33页 |
| ·“一对多”方法 | 第26-27页 |
| ·“一对一”方法 | 第27页 |
| ·一次性求解方法 | 第27-29页 |
| ·决策有向无环图 | 第29-30页 |
| ·基于二叉树的多类支撑矢量机分类方法 | 第30-31页 |
| ·多级支撑矢量机方法 | 第31页 |
| ·超球面SVM多类分类器 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 4 支撑矢量机学习步骤的改进——增量学习算法 | 第33-38页 |
| ·增量学习算法的意义 | 第33页 |
| ·支撑矢量的分布特点 | 第33-34页 |
| ·SVM增量训练算法 | 第34-35页 |
| ·算法的实现步骤与流程 | 第35-36页 |
| ·实验及结果分析 | 第36-38页 |
| 5 结论 | 第38-39页 |
| 致谢 | 第39-40页 |
| 参考文献 | 第40-42页 |
| 附录 | 第42-45页 |
| 攻读学位期间发表的学术论文 | 第45页 |
