| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 引言 | 第10-21页 |
| 1.1 研究背景 | 第10-18页 |
| 1.1.1 支持向量机的起源 | 第10-13页 |
| 1.1.2 支持向量机的基本概念 | 第13-16页 |
| 1.1.3 支持向量机的研究现状 | 第16-18页 |
| 1.2 本文的研究内容、主要贡献与内容编排 | 第18-21页 |
| 第2章 多核支持向量机 | 第21-31页 |
| 2.1 多核支持向量机的研究现状 | 第21-22页 |
| 2.1.1 问题的提出与本章贡献 | 第21-22页 |
| 2.2 相关工作 | 第22-26页 |
| 2.2.1 Cutting Plane算法 | 第22页 |
| 2.2.2 多核支持向量机 | 第22-24页 |
| 2.2.3 结构支持向量机 | 第24-26页 |
| 2.3 快速的结构多核支持向量机 | 第26-29页 |
| 2.3.1 两种不同的优化目标 | 第28-29页 |
| 2.4 算法分析 | 第29-30页 |
| 2.4.1 理论分析 | 第29页 |
| 2.4.2 实验分析 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 多类支持向量机 | 第31-47页 |
| 3.1 纠错输出码的研究现状 | 第31-34页 |
| 3.1.1 问题的提出与本章贡献 | 第33-34页 |
| 3.2 相关工作 | 第34-36页 |
| 3.2.1 纠错输出码 | 第34页 |
| 3.2.2 加权损失译码算法 | 第34-36页 |
| 3.3 基于多层聚类和最优权重的纠错输出码的迭代编码方法 | 第36-42页 |
| 3.3.1 WOLC-ECOC的算法框架 | 第36-39页 |
| 3.3.2 多层聚类方法 | 第39-40页 |
| 3.3.3 最优权重译码算法 | 第40-42页 |
| 3.4 实验分析 | 第42-45页 |
| 3.4.1 数据集 | 第42-43页 |
| 3.4.2 实验设置 | 第43页 |
| 3.4.3 精度比较 | 第43页 |
| 3.4.4 效率比较 | 第43-44页 |
| 3.4.5 收敛性分析 | 第44-45页 |
| 3.5 本章小结 | 第45-47页 |
| 第4章 无监督支持向量机算法一：自适应门限的稀疏核最大边缘聚类 | 第47-68页 |
| 4.1 最大边缘聚类的研究现状 | 第47-50页 |
| 4.1.1 问题的提出与本章贡献 | 第49-50页 |
| 4.2 相关工作 | 第50-54页 |
| 4.2.1 最大边缘聚类 | 第50-53页 |
| 4.2.2 非线性核空间中的数据的稀疏估计 | 第53-54页 |
| 4.3 稀疏核的最大边缘聚类 | 第54-60页 |
| 4.3.1 自适应门限的CPMMC | 第54-55页 |
| 4.3.2 核CPMMC | 第55-58页 |
| 4.3.3 稀疏核MMC | 第58-60页 |
| 4.4 理论分析 | 第60-61页 |
| 4.4.1 时间复杂度分析 | 第60-61页 |
| 4.4.2 空间复杂度分析 | 第61页 |
| 4.5 实验分析 | 第61-67页 |
| 4.5.1 数据集 | 第61页 |
| 4.5.2 实验设置与比较方案 | 第61-63页 |
| 4.5.3 实验比较 | 第63-64页 |
| 4.5.4 经验时间复杂度分析 | 第64-66页 |
| 4.5.5 Cutting-Plane算法的求解精度对性能的影响分析 | 第66-67页 |
| 4.6 本章小结 | 第67-68页 |
| 第5章 无监督支持向量机算法二：基于支持向量回归的最大边缘聚类 | 第68-104页 |
| 5.1 问题的提出与本章贡献 | 第68-70页 |
| 5.2 相关工作 | 第70-72页 |
| 5.2.1 支持向量回归 | 第70页 |
| 5.2.2 无监督多核支持向量机 | 第70-71页 |
| 5.2.3 无监督多类支持向量机 | 第71-72页 |
| 5.2.4 相关工作概览 | 第72页 |
| 5.3 基于支持向量回归的最大边缘聚类 | 第72-85页 |
| 5.3.1 目标函数的形成 | 第72-74页 |
| 5.3.2 目标函数的凸松弛 | 第74-75页 |
| 5.3.3 求解凸优化问题 | 第75-79页 |
| 5.3.4 稀疏核的支持向量回归算法 | 第79-81页 |
| 5.3.5 算法概览 | 第81-82页 |
| 5.3.6 讨论：为什么使用回归方法？ | 第82-85页 |
| 5.4 基于支持向量回归的多核聚类 | 第85-87页 |
| 5.4.1 目标函数的形成 | 第85-86页 |
| 5.4.2 目标函数的凸松弛 | 第86页 |
| 5.4.3 求解凸优化问题 | 第86-87页 |
| 5.4.4 算法概览 | 第87页 |
| 5.5 基于支持向量回归的多类最大边缘聚类 | 第87-93页 |
| 5.5.1 目标函数的形成 | 第88-91页 |
| 5.5.2 目标函数的凸松弛 | 第91页 |
| 5.5.3 求解凸优化问题 | 第91-93页 |
| 5.5.4 算法概览 | 第93页 |
| 5.6 理论分析 | 第93-96页 |
| 5.6.1 时间复杂度分析 | 第93-96页 |
| 5.6.2 空间复杂度分析 | 第96页 |
| 5.7 实验分析 | 第96-102页 |
| 5.7.1 数据集 | 第96-97页 |
| 5.7.2 实验设置与比较方案 | 第97-99页 |
| 5.7.3 实验结果 | 第99-100页 |
| 5.7.4 经验时间复杂度分析 | 第100-102页 |
| 5.8 本章小结 | 第102-104页 |
| 第6章 支持向量机在音频信号处理中的应用 | 第104-133页 |
| 6.1 应用场景一：语音端点检测 | 第104-129页 |
| 6.1.1 语音端点检测的研究现状 | 第104-106页 |
| 6.1.2 语音端点检测的研究路线概览 | 第106-107页 |
| 6.1.3 基于机器学习方法和能量检测算法的快速VAD框架 | 第107-110页 |
| 6.1.4 基于统计模型的多特征加权线性融合和SVM的VAD算法 | 第110-118页 |
| 6.1.5 基于多特征加权线性融合和无监督SVM的VAD算法 | 第118-122页 |
| 6.1.6 基于有监督结构多核SVM的VAD算法 | 第122-125页 |
| 6.1.7 基于多核聚类的VAD算法 | 第125-129页 |
| 6.1.8 基于支持向量机的语音端点检测方法的总结 | 第129页 |
| 6.2 应用场景二：音乐分类 | 第129-133页 |
| 6.2.1 音乐分类的研究现状 | 第129-130页 |
| 6.2.2 基于WOLC-ECOC的音乐曲风分类 | 第130-133页 |
| 第7章 全文总结 | 第133-136页 |
| 参考文献 | 第136-148页 |
| 致谢 | 第148-150页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第150-152页 |
