| 摘要 | 第1-9页 |
| Abstract | 第9-10页 |
| 第一章 绪论:核函数方法的研究背景 | 第10-28页 |
| ·统计学习理论概要 | 第10-15页 |
| ·统计学习理论中学习问题的表示 | 第11-12页 |
| ·ERM原则与学习过程的一致性条件 | 第12页 |
| ·统计学习理论的三个里程碑 | 第12-13页 |
| ·容量控制与结构风险最小化原则 | 第13-15页 |
| ·支持向量机理论与核函数方法 | 第15-25页 |
| ·最优分类面与支持向量 | 第15-17页 |
| ·广义最优分类面与核函数的引入 | 第17-19页 |
| ·核函数方法 | 第19-20页 |
| ·支持向量机及核函数研究的国内外进展 | 第20-25页 |
| ·论文的研究内容、组织结构和贡献 | 第25-28页 |
| ·论文研究的主要内容 | 第25页 |
| ·论文的组织结构 | 第25-26页 |
| ·论文的主要贡献 | 第26-28页 |
| 第二章 核函数的可分性条件 | 第28-40页 |
| ·输入空间中样本点线性可分的判别条件 | 第28-29页 |
| ·线性可分性的定义 | 第28-29页 |
| ·可分性判别的充要条件 | 第29页 |
| ·特征空间中样本点线性可分的判别条件 | 第29-33页 |
| ·一个充要条件 | 第30-31页 |
| ·一个实用的充分条件 | 第31-33页 |
| ·可分核函数及其构造 | 第33-38页 |
| ·可分核函数的定义 | 第33-34页 |
| ·可分核函数的构造 | 第34-38页 |
| ·小结 | 第38-40页 |
| 第三章 核函数的参数确定 | 第40-58页 |
| ·现有的模型评估准则 | 第40-43页 |
| ·基于矩阵相似度量的参数确定方法 | 第43-48页 |
| ·基本思想 | 第43-44页 |
| ·核函数的Gram矩阵表示 | 第44页 |
| ·矩阵的相似度量 | 第44-45页 |
| ·实验结果 | 第45-48页 |
| ·基于可分核函数的参数确定方法 | 第48-56页 |
| ·光滑度量与参数求解的问题表示 | 第49-50页 |
| ·梯度计算 | 第50页 |
| ·参数求解 | 第50-52页 |
| ·实验结果 | 第52-56页 |
| ·小结 | 第56-58页 |
| 第四章 核函数的构造方法 | 第58-70页 |
| ·核函数构造方法简介 | 第58-61页 |
| ·基于特征变换的核函数构造 | 第58-59页 |
| ·基于Mercer核函数的性质组合核函数 | 第59-60页 |
| ·借助其它领域知识构造核函数 | 第60-61页 |
| ·基于插值的核函数构造方法 | 第61-68页 |
| ·基本思想 | 第61-64页 |
| ·基于散乱数据插值的核函数构造方法 | 第64-66页 |
| ·实验结果 | 第66-68页 |
| ·小结 | 第68-70页 |
| 第五章 支持向量机在障碍检测中的应用 | 第70-88页 |
| ·基于核函数的单类判别方法 | 第71-78页 |
| ·单类判别方法介绍 | 第71-72页 |
| ·基于支持向量的数据描述方法 | 第72-73页 |
| ·球形归整的必要性 | 第73-74页 |
| ·KPCA方法介绍 | 第74-75页 |
| ·基于KPCA方法的球形归整 | 第75-76页 |
| ·实验结果 | 第76-78页 |
| ·基于重投影变换的障碍检测方法 | 第78-81页 |
| ·地平面变换 | 第78-80页 |
| ·障碍检测方法 | 第80-81页 |
| ·单双目判别结果的融合方法 | 第81-86页 |
| ·基于单双目判别的信息融合算法 | 第81-82页 |
| ·单目判别结果的置信度 | 第82页 |
| ·双目判别结果的置信度 | 第82-83页 |
| ·实验结果 | 第83-85页 |
| ·单目判别中地面模型的切换 | 第85-86页 |
| ·小结 | 第86-88页 |
| 第六章 总结、思考与展望 | 第88-92页 |
| ·工作总结 | 第88-89页 |
| ·进一步的工作 | 第89-92页 |
| 致谢 | 第92-94页 |
| 参考文献 | 第94-102页 |
| 附录: 作者在攻读博士期间撰写的主要论文和参与的研究工作 | 第102-103页 |