| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-10页 |
| 1 绪论 | 第10-18页 |
| ·引言 | 第10页 |
| ·课题研究的意义 | 第10-11页 |
| ·模式识别的基本概念 | 第11-13页 |
| ·模式识别的基本模型 | 第11页 |
| ·解决模式识别问题的一般步骤 | 第11-12页 |
| ·多态模式识别的方法概述 | 第12-13页 |
| ·支持向量机的国内外研究现状 | 第13-17页 |
| ·支持向量机理论基础的扩展 | 第13-14页 |
| ·支持向量机训练算法的研究 | 第14-17页 |
| ·论文的研究思路和研究内容 | 第17页 |
| ·本章小结 | 第17-18页 |
| 2 统计学习理论与支持向量机 | 第18-33页 |
| ·引言 | 第18页 |
| ·统计学习理论的发展历程 | 第18-19页 |
| ·统计学习理论的核心内容 | 第19-23页 |
| ·学习过程的一致性条件 | 第19-20页 |
| ·VC 维的定义与函数集的学习性能以及可推广性的界 | 第20-23页 |
| ·支持向量机的基本原理 | 第23-25页 |
| ·最大间隔分类器 | 第23-24页 |
| ·软间隔优化与核函数 | 第24-25页 |
| ·支持向量机二分类算法 | 第25-29页 |
| ·C-SVM 算法 | 第25-26页 |
| ·v-SVM 算法 | 第26页 |
| ·One-class SVM 算法 | 第26-27页 |
| ·RSVM 算法 | 第27-28页 |
| ·LS-SVM 算法 | 第28页 |
| ·各种改进的支持向量机算法的比较 | 第28-29页 |
| ·支持向量机多分类算法 | 第29-32页 |
| ·one-against-rest | 第30页 |
| ·one-against-one | 第30-31页 |
| ·DAGSVM | 第31页 |
| ·一次性求解方法 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 3 模式识别中的特征提取方法 | 第33-38页 |
| ·引言 | 第33页 |
| ·传统的特征提取方法 | 第33-35页 |
| ·主成分分析 | 第33-34页 |
| ·奇异值分解 | 第34页 |
| ·投影追踪 | 第34页 |
| ·自组织映射网络 | 第34-35页 |
| ·偏最小二乘回归方法 | 第35-37页 |
| ·偏最小二乘回归方法简介 | 第35-36页 |
| ·偏最小二乘回归分析的算法和思路 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 4 模糊支持向量机 | 第38-42页 |
| ·引言 | 第38页 |
| ·模糊集的基本概念 | 第38页 |
| ·模糊支持向量机 | 第38-41页 |
| ·本章小结 | 第41-42页 |
| 5 基于偏最小二乘的模糊支持向量机识别模型 | 第42-49页 |
| ·引言 | 第42页 |
| ·基于偏最小二乘的模糊支持向量机建模思路及其模型 | 第42-44页 |
| ·识别模型的算法及其流程图 | 第44-45页 |
| ·识别模型的评价 | 第45-46页 |
| ·算例分析 | 第46-47页 |
| ·基于偏最小二乘的模糊支持向量机识别模型的应用 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 6 总结与展望 | 第49-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-57页 |
| 附录:作者在攻读硕士学位期间发表的论文目录 | 第57页 |