| 摘要 | 第1-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第9-15页 |
| ·研究背景及意义 | 第9-10页 |
| ·国内外研究现状 | 第10-12页 |
| ·集成学习算法的研究现状及趋势 | 第10-11页 |
| ·支持向量机算法的研究现状 | 第11-12页 |
| ·SVM 集成学习的研究现状 | 第12页 |
| ·论文研究内容 | 第12-13页 |
| ·本文组织结构 | 第13-15页 |
| 第二章 支持向量机与集成学习 | 第15-31页 |
| ·统计学习理论 | 第15-18页 |
| ·统计学习的一般理论 | 第15-17页 |
| ·经验风险和结构风险 | 第17页 |
| ·VC 维理论 | 第17-18页 |
| ·支持向量机 | 第18-23页 |
| ·支持向量机理论 | 第18-21页 |
| ·核函数的引入 | 第21-22页 |
| ·松弛变量的引入 | 第22页 |
| ·SVM 的优缺点 | 第22-23页 |
| ·集成学习 | 第23-29页 |
| ·集成学习理论 | 第23-25页 |
| ·集成学习算法 | 第25-28页 |
| ·选择性集成学习 | 第28-29页 |
| ·本章小结 | 第29-31页 |
| 第三章 基于 Bagging 算法的 SVM 选择性集成 | 第31-39页 |
| ·Bagging 算法及选择性集成 | 第31-32页 |
| ·特征集和数据集的选择 | 第32页 |
| ·子分类器的选择 | 第32-33页 |
| ·执行步骤 | 第33-34页 |
| ·实验及分析 | 第34-36页 |
| ·本章小结 | 第36-39页 |
| 第四章 基于 Adaboost 算法的 SVM 选择性集成 | 第39-49页 |
| ·集成学习方法 | 第39页 |
| ·集成方法中的 SVM | 第39-42页 |
| ·执行步骤 | 第42-44页 |
| ·实验及分析 | 第44-46页 |
| ·本章小结 | 第46-49页 |
| 第五章 总结与展望 | 第49-51页 |
| ·总结 | 第49-50页 |
| ·展望 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 攻硕期间发表论文及科研成果 | 第55-57页 |
| 致谢 | 第57页 |