Lp正则化在支持向量机中的应用研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-10页 |
| 1 绪论 | 第10-15页 |
| ·机器学习概述 | 第10-12页 |
| ·机器学习 | 第10页 |
| ·机器学习方法及其算法 | 第10-11页 |
| ·机器学习的应用及其研究现状 | 第11-12页 |
| ·支持向量机 | 第12页 |
| ·本文的主要工作 | 第12-13页 |
| ·本文的章节安排 | 第13-15页 |
| 2 支持向量机的基础理论 | 第15-27页 |
| ·正则化理论 | 第15-21页 |
| ·相关概念 | 第15-18页 |
| ·正问题和反问题 | 第15-16页 |
| ·不适定反问题 | 第16-17页 |
| ·Moore-Penrose广义解 | 第17页 |
| ·广义解的不稳定性 | 第17-18页 |
| ·正则化原理与方法 | 第18-21页 |
| ·正则化原理 | 第18-20页 |
| ·正则化方法 | 第20-21页 |
| ·统计机器学习理论 | 第21-25页 |
| ·机器学习原理 | 第21-22页 |
| ·统计学习理论 | 第22-25页 |
| ·经验风险最小化准则 | 第22-23页 |
| ·VC维理论与泛化能力 | 第23-24页 |
| ·泛化能力的界 | 第24-25页 |
| ·结构风险最小化 | 第25页 |
| ·支持向量机 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 3 比较Lp正则化支持向量机的分类性能 | 第27-41页 |
| ·在有监督学习框架下的正则化支持向量机 | 第27-32页 |
| ·线性支持向量机基本原理 | 第27-29页 |
| ·线性支持向量机的改进 | 第29-30页 |
| ·核支持向量机 | 第30-32页 |
| ·在半监督学习框架下的正则化支持向量机 | 第32-33页 |
| ·实验 | 第33-39页 |
| ·合成数据：两个圆数据集 | 第33-35页 |
| ·现实数据：四个常用数据集 | 第35-39页 |
| ·本章小结 | 第39-41页 |
| 4 平滑稀疏正则化SVM的研究 | 第41-48页 |
| ·概述 | 第41-42页 |
| ·稀疏正则化SVM | 第42-43页 |
| ·L_1范数正则化SVM | 第42页 |
| ·L_0范数正则化SVM | 第42页 |
| ·平滑稀疏正则化SVM | 第42-43页 |
| ·平滑稀疏正则化SVM算法 | 第43-45页 |
| ·实验 | 第45-47页 |
| ·本章小结 | 第47-48页 |
| 5 总结与展望 | 第48-50页 |
| ·本文工作总结 | 第48页 |
| ·本文工作展望 | 第48-50页 |
| 参考文献 | 第50-56页 |
| 攻读硕士学位期间主要的研究成果 | 第56-57页 |
| 致谢 | 第57-59页 |
