| 摘要 | 第1-7页 |
| ABSTRACT | 第7-10页 |
| 目录 | 第10-14页 |
| 第一章 绪论 | 第14-38页 |
| §1.1 机器学习理论基础 | 第14-22页 |
| §1.1.1 机器学习的发展历史 | 第14-16页 |
| §1.1.2 学习问题的表述 | 第16页 |
| §1.1.3 经验风险最小化 | 第16-17页 |
| §1.1.4 学习过程的一致性条件 | 第17-19页 |
| §1.1.5 函数集的VC维 | 第19页 |
| §1.1.6 泛化能力的界 | 第19-20页 |
| §1.1.7 结构风险最小化原则 | 第20-22页 |
| §1.2 支持向量机基础 | 第22-30页 |
| §1.2.1 最大间隔分类超平面 | 第22-24页 |
| §1.2.2 支持向量机 | 第24-27页 |
| §1.2.3 核函数和再生核Hilbert空间 | 第27-29页 |
| §1.2.4 支持向量机的优点 | 第29-30页 |
| §1.3 支持向量机的研究现状 | 第30-35页 |
| §1.3.1 支持向量机理论的研究现状 | 第30-32页 |
| §1.3.2 支持向量机学习算法的研究现状 | 第32-35页 |
| §1.3.3 支持向量机的应用研究现状 | 第35页 |
| §1.4 论文的研究目的、意义和主要内容 | 第35-36页 |
| §1.4.1 研究目的和意义 | 第35-36页 |
| §1.4.2 主要的研究内容 | 第36页 |
| §1.5 全文内容安排 | 第36-38页 |
| 第二章 支持向量机的集成学习算法 | 第38-54页 |
| §2.1 集成学习方法概述 | 第38-43页 |
| §2.1.1 成员分类器的生成 | 第39-40页 |
| §2.1.2 集成策略 | 第40-41页 |
| §2.1.3 Bagging集成算法 | 第41-43页 |
| §2.1.4 支持向量机集成 | 第43页 |
| §2.2 采用二重扰动机制的集成学习算法 | 第43-50页 |
| §2.2.1 扰动输入特征空间和扰动模型参数 | 第44-46页 |
| §2.2.2 随机特征Bagging集成学习算法 | 第46-48页 |
| §2.2.3 二维随机Bagging集成学习算法 | 第48-49页 |
| §2.2.4 算法的复杂度分析 | 第49-50页 |
| §2.3 数值实验和结果分析 | 第50-53页 |
| §2.3.1 实验数据集和模型参数选取 | 第50-51页 |
| §2.3.2 实验:集成学习算法的性能比较 | 第51页 |
| §2.3.3 实验结果分析 | 第51-53页 |
| §2.4 本章小结 | 第53-54页 |
| 第三章 支持向量机的并行学习算法 | 第54-67页 |
| §3.1 支持向量机的并行学习 | 第54-56页 |
| §3.1.1 基于样本集分割的并行学习算法 | 第54-55页 |
| §3.1.2 分解算法的并行化 | 第55-56页 |
| §3.2 基于MTC结构的并行学习算法 | 第56-62页 |
| §3.2.1 MTC结构 | 第57-59页 |
| §3.2.2 基于MTC结构的学习算法 | 第59-61页 |
| §3.2.3 收敛性分析 | 第61-62页 |
| §3.3 数值实验和结果分析 | 第62-65页 |
| §3.4 本章小结 | 第65-67页 |
| 第四章 支持向量机在原始空间中的学习算法 | 第67-85页 |
| §4.1 原始空间中的学习 | 第67-69页 |
| §4.1.1 对偶空间和原始空间 | 第67-68页 |
| §4.1.2 原始型学习算法的研究现状 | 第68-69页 |
| §4.2 原始空间中支持向量机的新型学习算法:PN-pe | 第69-80页 |
| §4.2.1 支持向量机的γ-近似优化问题 | 第70-75页 |
| §4.2.2 求解γ-近似优化问题的PN-pe算法 | 第75-77页 |
| §4.2.3 算法的收敛性分析 | 第77页 |
| §4.2.4 算法的复杂度分析 | 第77-78页 |
| §4.2.5 解的性质分析 | 第78-80页 |
| §4.3 数值实验和结果分析 | 第80-84页 |
| §4.3.1 实验一:测试精度和训练时间 | 第80页 |
| §4.3.2 实验二:收敛情况 | 第80-81页 |
| §4.3.3 实验三:训练时间随问题规模的变化情况 | 第81-83页 |
| §4.3.4 实验结果分析 | 第83-84页 |
| §4.4 本章小结 | 第84-85页 |
| 第五章 健壮支持向量机及其学习算法 | 第85-103页 |
| §5.1 支持向量机的健壮学习 | 第85-86页 |
| §5.2 健壮支持向量机的研究现状 | 第86-88页 |
| §5.3 基于光滑Ramp损失函数的健壮支持向量机 | 第88-99页 |
| §5.3.1 光滑Ramp损失函数 | 第88-90页 |
| §5.3.2 利用CCCP过程解决非凸优化 | 第90-92页 |
| §5.3.3 在原始空间中求解健壮支持向量机 | 第92-96页 |
| §5.3.4 健壮支持向量机的学习算法 | 第96-98页 |
| §5.3.5 复杂度分析 | 第98-99页 |
| §5.4 数值实验和结果分析 | 第99-102页 |
| §5.4.1 基于人工合成数据集的实验 | 第99-100页 |
| §5.4.2 基于UCI和StatLog数据集的实验 | 第100-102页 |
| §5.4.3 讨论 | 第102页 |
| §5.5 本章小结 | 第102-103页 |
| 第六章 半监督支持向量机的模糊渐近式学习算法 | 第103-120页 |
| §6.1 半监督学习 | 第103-105页 |
| §6.1.1 半监督支持向量机—TSVM | 第103-104页 |
| §6.1.2 TSVM的学习算法 | 第104-105页 |
| §6.2 TSVM的渐近式学习算法 | 第105-110页 |
| §6.2.1 PTSVM算法 | 第106-108页 |
| §6.2.2 PTSVM算法的缺陷 | 第108-110页 |
| §6.3 TSVM的模糊渐近式学习算法 | 第110-115页 |
| §6.3.1 模糊渐近式学习以及模糊隶属度的确定方法 | 第110-111页 |
| §6.2.2 算法的稳定停止条件 | 第111-112页 |
| §6.3.3 混合训练集的缩减 | 第112页 |
| §6.3.4 模糊渐近式学习算法—FPTSVM | 第112-113页 |
| §6.3.5 收敛性分析 | 第113-114页 |
| §6.3.6 复杂度分析 | 第114-115页 |
| §6.4 数值实验和结果分析 | 第115-118页 |
| §6.5 本章小结 | 第118-120页 |
| 第七章 全文总结与展望 | 第120-123页 |
| §7.1 全文总结 | 第120-121页 |
| §7.2 研究展望 | 第121-123页 |
| 附录A:实验中采用的数据集 | 第123-124页 |
| 附录B:HVDM距离和扩展的高斯核函数 | 第124-127页 |
| 致谢 | 第127-128页 |
| 参考文献 | 第128-136页 |
| 作者在攻读博士期间发表的论文 | 第136-137页 |
| 作者在攻读博士学位期间所参加、负责完成的科研项目 | 第137页 |
| 个人简介 | 第137页 |
