| 提要 | 第4-5页 |
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 目录 | 第9-12页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 论文研究的背景及意义 | 第12-14页 |
| 1.2 支持向量算法的研究现状 | 第14-16页 |
| 1.3 本文的主要研究内容 | 第16-18页 |
| 第2章 支持向量机 | 第18-34页 |
| 2.1 线性分类学习机 | 第18-19页 |
| 2.2 对偶理论 | 第19-21页 |
| 2.3 近似线性可分情况 | 第21-22页 |
| 2.4 非线性可分情况 | 第22-23页 |
| 2.5 回归问题 | 第23-24页 |
| 2.6 核方法 | 第24-25页 |
| 2.6.1 Mercer定理 | 第25页 |
| 2.6.2 核的构造 | 第25页 |
| 2.7 支持向量分类机和支持回归机 | 第25-27页 |
| 2.8 统计学习理论 | 第27-33页 |
| 2.8.1 经验风险与期望风险 | 第27-28页 |
| 2.8.2 VC维 | 第28-29页 |
| 2.8.3 一致性概念和关键定理 | 第29-30页 |
| 2.8.4 结构风险 | 第30-31页 |
| 2.8.5 结构风险最小化原则与支持向量机 | 第31-33页 |
| 2.9 小结 | 第33-34页 |
| 第3章 支持向量机大容量样本训练算法 | 第34-46页 |
| 3.1 经典的分解型算法 | 第34-38页 |
| 3.1.1 分块算法 | 第34-35页 |
| 3.1.2 分解算法 | 第35-36页 |
| 3.1.3 序列最小化优化算法 | 第36-38页 |
| 3.2 支持向量预选算法 | 第38-42页 |
| 3.2.1 预选支持向量的对称选取法 | 第38-41页 |
| 3.2.2 实验及分析 | 第41-42页 |
| 3.2.3 加入对称法的序列最小最优化算法 | 第42页 |
| 3.3 支持向量机增量学习算法研究 | 第42-45页 |
| 3.3.1 经典的SVM增量学习方法—Batch SVM | 第43页 |
| 3.3.2 增量学习算法分析 | 第43-44页 |
| 3.3.3 以对称法为依据的SVM增量学习算法 | 第44-45页 |
| 3.3.4 实验及分析 | 第45页 |
| 3.4 小结 | 第45-46页 |
| 第4章 支持向量机的多分类方法研究 | 第46-53页 |
| 4.1 目前的多分类方法 | 第46-49页 |
| 4.1.1 一次求解多分类问题 | 第46-47页 |
| 4.1.2 1-a-r(1-against-rest)方法 | 第47页 |
| 4.1.3 1-a-1(1-against-1)方法 | 第47-48页 |
| 4.1.4 DAGSVM | 第48页 |
| 4.1.5 基于二叉树的多类SVM | 第48-49页 |
| 4.2 各种方法对比 | 第49-50页 |
| 4.3 加入对称法的DAGSVM算法 | 第50-51页 |
| 4.4 改进的DAGSVM算法复杂度分析 | 第51页 |
| 4.5 实验及分析 | 第51-52页 |
| 4.6 小结 | 第52-53页 |
| 第5章 支持向量机在水淹层判别方向的应用 | 第53-57页 |
| 5.1 实验数据来源 | 第53-54页 |
| 5.2 测井资料预处理 | 第54页 |
| 5.2.1 环境校正 | 第54页 |
| 5.2.2 标准化处理 | 第54页 |
| 5.3 核函数及参数的选择 | 第54-55页 |
| 5.4 小结 | 第55-57页 |
| 第6章 结论 | 第57-58页 |
| 参考文献 | 第58-60页 |
| 作者简介及在学期间所取得的科研成果 | 第60-61页 |
| 致谢 | 第61页 |
