| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第1章 绪论 | 第11-19页 |
| ·选题背景与研究意义 | 第11-12页 |
| ·国内外研究现状 | 第12-17页 |
| ·主动学习理论 | 第14页 |
| ·直推式学习 | 第14-15页 |
| ·样本输入中添加噪声 | 第15页 |
| ·虚拟样本 | 第15-16页 |
| ·支持向量预选取 | 第16-17页 |
| ·课题来源及本文主要研究内容 | 第17页 |
| ·课题来源 | 第17页 |
| ·本文研究的主要内容 | 第17页 |
| ·本文的组织结构 | 第17-19页 |
| 第2章 统计学习理论与支持向量机 | 第19-33页 |
| ·统计学习理论 | 第19-24页 |
| ·学习问题的表示 | 第19-20页 |
| ·学习过程的一致性 | 第20-22页 |
| ·学习机推广能力的界 | 第22-23页 |
| ·控制学习过程的推广能力 | 第23页 |
| ·构造学习算法 | 第23-24页 |
| ·支持向量机 | 第24-30页 |
| ·KKT 条件及核的Mercer 条件 | 第24-26页 |
| ·最优超平面 | 第26页 |
| ·支持向量分类 | 第26-30页 |
| ·支持向量机的几何特性 | 第30-32页 |
| ·本章小结 | 第32-33页 |
| 第3章 基于高斯分布的虚拟样本生成方法研究 | 第33-39页 |
| ·引言 | 第33页 |
| ·虚拟样本的添加对学习方法泛化能力影响的分析 | 第33-34页 |
| ·测量误差分析 | 第34-36页 |
| ·基于高斯分布的虚拟样本生成方法的理论依据 | 第36页 |
| ·基于高斯分布的虚拟样本生成方法的的参数估计 | 第36-37页 |
| ·基于高斯分布的虚拟样本生成方法的实现 | 第37页 |
| ·基于高斯分布的虚拟样本生成方法的合理性与适应性分析 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第4章 改进基于向量投影的支持向量预选取 | 第39-46页 |
| ·引言 | 第39页 |
| ·线性可分时对基于向量投影的支持向量预选取的改进 | 第39-40页 |
| ·线性可分时改进基于向量投影的支持向量预选取的分析 | 第40-41页 |
| ·非线性可分时对基于向量投影的支持向量预选取的改进 | 第41-44页 |
| ·非线性可分时改进基于向量投影的支持向量预选取的分析 | 第44页 |
| ·本章小结 | 第44-46页 |
| 第5章 仿真实验及结果分析 | 第46-54页 |
| ·引言 | 第46页 |
| ·基于高斯分布的虚拟样本生成方法的仿真试验 | 第46-50页 |
| ·鸢尾属植物分类实验 | 第46-48页 |
| ·入侵检测实验 | 第48-50页 |
| ·基于改进向量投影的支持向量预选取的仿真试验 | 第50-52页 |
| ·线性可分实验 | 第50-52页 |
| ·非线性可分实验 | 第52页 |
| ·本章小结 | 第52-54页 |
| 结论 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 攻读学位期间发表的学术论文 | 第60-61页 |
| 致谢 | 第61页 |
