| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究发展现状 | 第11-13页 |
| 1.3 本文主要创新点 | 第13-14页 |
| 1.4 本文主要内容和结构安排 | 第14-15页 |
| 第二章 支持向量机基础 | 第15-26页 |
| 2.1 支持向量机背景介绍 | 第15-16页 |
| 2.1.1 统计学习理论 | 第15-16页 |
| 2.2 支持向量机基本方法 | 第16-21页 |
| 2.2.1 支持向量机优化目标 | 第16-17页 |
| 2.2.2 拉格朗日对偶性 | 第17-19页 |
| 2.2.3 KKT条件 | 第19页 |
| 2.2.4 对偶问题求解 | 第19-21页 |
| 2.3 核函数 | 第21-23页 |
| 2.3.1 核函数的定义 | 第21-22页 |
| 2.3.2 正定核函数 | 第22-23页 |
| 2.4 序列最小最优化算法 | 第23-24页 |
| 2.5 本章小结 | 第24-26页 |
| 第三章 拟线性支持向量机理论 | 第26-39页 |
| 3.1 拟线性支持向量机的数学模型 | 第26-29页 |
| 3.2 拟线性核函数 | 第29-30页 |
| 3.3 特征空间局部划分 | 第30-34页 |
| 3.3.1 数据检出方法简介 | 第31-32页 |
| 3.3.2 修正的k-均值聚类算法 | 第32-34页 |
| 3.4 仿真及分析 | 第34-38页 |
| 3.4.1 局部门限基函数的可视化 | 第34-36页 |
| 3.4.2 超参数的选择 | 第36-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 基于样本特征空间几何特性的局部线性提取 | 第39-57页 |
| 4.1 组合凸线性分类器的构造 | 第40-46页 |
| 4.1.1 线性可分的情况 | 第40-43页 |
| 4.1.2 凸可分的情况 | 第43-45页 |
| 4.1.3 叠可分的情况 | 第45-46页 |
| 4.2 基于特征空间局部线性提取的拟线性支持向量机 | 第46-50页 |
| 4.2.1 基于特征空间局部线性的提取 | 第47-48页 |
| 4.2.2 拟线性支持向量机的完整框架 | 第48-50页 |
| 4.3 仿真及分析 | 第50-55页 |
| 4.3.1 人工数据集的仿真实验分析 | 第50-52页 |
| 4.3.2 UCI机器学习数据库中的数据仿真实验分析 | 第52-54页 |
| 4.3.3 基因功能数据集仿真实验分析 | 第54-55页 |
| 4.4 本章小结 | 第55-57页 |
| 第五章 拟线性支持向量机的应用场景分析 | 第57-70页 |
| 5.1 基于自编码器特征学习的拟线性支持向量机 | 第58-62页 |
| 5.1.1 降噪栈式自编码器 | 第59-60页 |
| 5.1.2 仿真与分析 | 第60-62页 |
| 5.2 基于迁移学习的拟线性支持向量机 | 第62-66页 |
| 5.2.1 利用深层神经网络进行迁移学习 | 第62-64页 |
| 5.2.2 仿真实验与分析 | 第64-66页 |
| 5.3 从神经网络角度解释拟线性支持向量机 | 第66-69页 |
| 5.3.1 与单隐层神经网络的关联 | 第66-68页 |
| 5.3.2 仿真实验与分析 | 第68-69页 |
| 5.4 本章小结 | 第69-70页 |
| 第六章 全文总结与展望 | 第70-72页 |
| 6.1 全文总结 | 第70页 |
| 6.2 后续工作展望 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 攻读硕士学位期间取得的成果 | 第78-79页 |