| 摘要 | 第1-6页 |
| ABSTRACT | 第6-7页 |
| 目录 | 第7-10页 |
| 第1章 绪论 | 第10-21页 |
| ·问题的提出 | 第10-15页 |
| ·统计学习理论与结构风险最小化 | 第10-11页 |
| ·支持向量机SVM及其研究进展 | 第11-14页 |
| ·支持向量回归机SVR的鲁棒性及其研究进展 | 第14-15页 |
| ·用SVR抑制和识别输入噪声的研究概述 | 第15-17页 |
| ·SVR的贝叶斯框架与参数选择 | 第15-16页 |
| ·SVR用于输入脉冲噪声的识别 | 第16-17页 |
| ·本文研究工作概述和内容安排 | 第17-21页 |
| ·本文的研究工作概述 | 第17-18页 |
| ·本文的研究工作与他人已有的研究成果的关系 | 第18-19页 |
| ·本文的主要创新点 | 第19-20页 |
| ·本文的内容安排 | 第20-21页 |
| 第2章 ε-SVR和Huber-SVR的参数选择与高斯输入噪声间的关系 | 第21-37页 |
| ·支持向量回归机与损失函数 | 第21-22页 |
| ·ε-SVR的参数选择与输入噪声间的关系 | 第22-26页 |
| ·ε支持向量回归机ε-SVR | 第22-23页 |
| ·样本数据集含有噪声时的ε-SVR回归模型 | 第23-24页 |
| ·ε-SVR的参数选择与输入噪声间的关系 | 第24-26页 |
| ·Huber-SVR的参数选择与高斯输入噪声间的关系 | 第26-36页 |
| ·基于MAP概率框架的理论推导结果 | 第26-32页 |
| ·实验结果 | 第32-36页 |
| ·本章小结 | 第36-37页 |
| 第3章 r范数SVR的参数选择与高斯输入噪声间的关系 | 第37-50页 |
| ·基于MAP概率框架的理论推导结果 | 第37-42页 |
| ·r范数-支持向量回归机后验估计最大化的必要条件 | 第38-39页 |
| ·输入噪声为高斯模型时r的选择与输入噪声的关系 | 第39-42页 |
| ·实验结果 | 第42-49页 |
| ·r范数-支持向量回归机的解 | 第42-43页 |
| ·求解r范数-支持向量回归机的牛顿迭代公式 | 第43-45页 |
| ·仿真方法和仿真结果 | 第45-49页 |
| ·本章小结 | 第49-50页 |
| 第4章 SVR应用于识别图象脉冲噪声的研究 | 第50-65页 |
| ·数字灰度图像的表示和脉冲噪声模型 | 第50-52页 |
| ·数字灰度图像的表示 | 第50-51页 |
| ·脉冲噪声的模型 | 第51-52页 |
| ·一种基于SVM的图象脉冲噪声自适应中值滤波器 | 第52-55页 |
| ·脉冲噪声特征抽取 | 第52-53页 |
| ·基于SVC的自适应图象脉冲噪声滤波器 | 第53-55页 |
| ·一种基于SVR的图象脉冲噪声自适应中值滤波器 | 第55-59页 |
| ·SVR脉冲噪声识别原理和滤波算法 | 第55-58页 |
| ·实验结果和比较 | 第58-59页 |
| ·本章小结 | 第59-65页 |
| 第5章 SVM用于识别图象脉冲噪声的进一步研究 | 第65-86页 |
| ·信号奇异性与小波变换检测 | 第66-69页 |
| ·小波与小波变换 | 第66页 |
| ·信号的奇异性与Lipschitz指数 | 第66-68页 |
| ·离散小波变换与滤波器组 | 第68-69页 |
| ·小波变换检测图像脉冲噪声的原理和方法 | 第69-77页 |
| ·脉冲噪声的小波变换与检测 | 第69页 |
| ·一种基于小波变换的图像脉冲噪声识别方法 | 第69-77页 |
| ·对基于SVC的脉冲噪声滤波器的改进 | 第77-85页 |
| ·本章小结 | 第85-86页 |
| 结束语 | 第86-87页 |
| 致谢 | 第87-88页 |
| 参考文献 | 第88-97页 |
| 附录 | 第97页 |
| 作者在攻读博士期间完成的的论文 | 第97页 |
