| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 主要符号表 | 第9-10页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景与意义 | 第10页 |
| 1.2 国内外相关研究进展 | 第10-16页 |
| 1.2.1 模型的扩展 | 第11-14页 |
| 1.2.2 算法的改进 | 第14-16页 |
| 1.3 本文主要研究思路 | 第16-17页 |
| 第2章 基础知识 | 第17-29页 |
| 2.1 机器学习 | 第17页 |
| 2.2 支持向量机 | 第17-23页 |
| 2.2.1 基于支持向量的线性可分情况 | 第17-20页 |
| 2.2.2 基于支持向量的线性不可分情况 | 第20-22页 |
| 2.2.3 支持向量回归机 | 第22-23页 |
| 2.3 最优化理论 | 第23-28页 |
| 2.3.1 半光滑牛顿法 | 第25-27页 |
| 2.3.2 锥约束优化的增广Lagrange方法 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 支持向量机增广Lagrange方法的研究 | 第29-36页 |
| 3.1 支持向量机增广Lagrange方法 | 第29页 |
| 3.2 支持向量机增广Lagrange方法求解过程 | 第29-32页 |
| 3.3 支持向量机增广Lagrange方法收敛性讨论 | 第32-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 数值实现及结果分析 | 第36-56页 |
| 4.1 基于改进鸟群算法IBSO参数的选择 | 第36-39页 |
| 4.1.1 鸟群算法BSO | 第36-37页 |
| 4.1.2 改进鸟群算法IBSO | 第37-38页 |
| 4.1.3 基于改进鸟群算法IBSO的参数寻优过程 | 第38-39页 |
| 4.2 支持向量机增广Lagrange方法的实现技巧 | 第39-45页 |
| 4.2.1 不完全Cholesky分解 | 第40-42页 |
| 4.2.2 Sherman-Morson-Woodbury公式 | 第42-44页 |
| 4.2.3 线搜索 | 第44-45页 |
| 4.3 实验结果与分析 | 第45-55页 |
| 4.3.1 实验所用数据集介绍 | 第45-46页 |
| 4.3.2 实验所用算法及运行环境 | 第46页 |
| 4.3.3 实验结果分析 | 第46-55页 |
| 4.4 本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-60页 |
| 致谢 | 第60-61页 |
| 攻读硕士期间发表（含录用）的学术论文 | 第61-62页 |
