支持向量机的算法研究

摘要	第1-6页
ABSTRACT	第6-10页
引言	第10-12页
第1章 支持向量机理论基础	第12-19页
·统计学习理论的产生	第12-13页
·统计学习理论	第13-19页
·学习问题的模型	第13-15页
·经验风险最小化原则	第15-16页
·VC维	第16-17页
·推广能力的界	第17页
·结构风险最小化原则	第17-19页
第2章 支持向量机	第19-31页
·支持向量机分类	第19-28页
·最优分类面	第19-20页
·线性可分SVM	第20-24页
·线性不可分SVM	第24-27页
·非线性SVM	第27-28页
·支持向量机的应用	第28-31页
·生物信息处理	第28-29页
·文本分类	第29页
·数据挖掘	第29-31页
第3章 支持向量机的经典算法剖析	第31-42页
·Chunking算法	第31-32页
·分解算法	第32-33页
·SMO算法	第33-42页
·两变量的二次规划子问题	第33-37页
·一次成功优化后相关变量的更新	第37-40页
·待优化变量的选择及SMO算法步骤	第40-42页
第4章 SMO算法的改进及其收敛性	第42-51页
·SMO算法的改进	第42-43页
·输入数据处理为稀疏矩阵	第42页
·核函数的改进	第42-43页
·试验结果及分析	第43-44页
·SMO算法的收敛性	第44-51页
·SVM对偶问题及其最优性条件	第44-47页
·SMO算法的终止	第47-51页
第5章 结论	第51-52页
·本文主要工作	第51页
·前景及展望	第51-52页
参考文献	第52-55页
致谢	第55页