最小二乘支持向量机稀疏化算法的改进研究
| 中文摘要 | 第1-6页 |
| 英文摘要 | 第6-10页 |
| 1 绪论 | 第10-13页 |
| ·选题背景 | 第10页 |
| ·研究现状 | 第10-12页 |
| ·本文的主要工作 | 第12页 |
| ·论文的组织结构 | 第12-13页 |
| 2 机器学习的基本理论 | 第13-23页 |
| ·机器学习 | 第13-18页 |
| ·机器学习发展史 | 第13-15页 |
| ·机器学习问题的表示 | 第15-16页 |
| ·经验风险最小化原则 | 第16-17页 |
| ·复杂性与推广能力 | 第17-18页 |
| ·统计学习理论 | 第18-22页 |
| ·学习过程一致性概念 | 第18-19页 |
| ·VC 维 | 第19-20页 |
| ·推广能力的界 | 第20-21页 |
| ·结构风险最小化原则 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 3 支持向量机 | 第23-36页 |
| ·支持向量分类机 | 第23-31页 |
| ·线性可分型 | 第24-26页 |
| ·线性不可分型 | 第26-28页 |
| ·非线性可分型 | 第28-31页 |
| ·支持向量机算法目前的研究状况 | 第31-32页 |
| ·支持向量机的应用 | 第32-35页 |
| ·本章小结 | 第35-36页 |
| 4 最小二乘支持向量机 | 第36-39页 |
| ·传统支持向量机的缺点 | 第36页 |
| ·最小二乘支持向量机算法原理 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 5 改进的最小二乘支持向量机稀疏化算法 | 第39-51页 |
| ·传统的稀疏化算法 | 第39-40页 |
| ·模糊LS-SVM | 第40-50页 |
| ·模糊LS-SVM 的模型建立 | 第40-41页 |
| ·模糊隶属度的确定 | 第41-43页 |
| ·改进的稀疏化算法描述 | 第43-46页 |
| ·仿真实验及结果分析 | 第46-50页 |
| ·本章小结 | 第50-51页 |
| 6 结论与展望 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 附录:作者攻读硕士学位期间发表论文及科研情况 | 第56-57页 |
| 致谢 | 第57页 |
