| 中文摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1.绪论 | 第9-13页 |
| 1.1 选题背景及意义 | 第9-10页 |
| 1.2 研究现状 | 第10-11页 |
| 1.3 论文的主要内容与结构 | 第11-13页 |
| 1.3.1 本文的主要内容 | 第11页 |
| 1.3.2 本文的组织结构 | 第11-13页 |
| 2.支持向量机理论 | 第13-27页 |
| 2.1 机器学习理论的基本问题 | 第13-15页 |
| 2.1.1 学习问题的描述 | 第13-14页 |
| 2.1.2 经验风险最小化 | 第14-15页 |
| 2.2 统计学习理论 | 第15-18页 |
| 2.2.1 学习一致性条件和VC维 | 第15-16页 |
| 2.2.2 推广性的界 | 第16-17页 |
| 2.2.3 结构风险最小化 | 第17-18页 |
| 2.3 支持向量机 | 第18-23页 |
| 2.3.1 线性可分情形 | 第18-20页 |
| 2.3.2 线性不可分情形 | 第20-22页 |
| 2.3.3 非线性情形 | 第22-23页 |
| 2.4 其他几种改进的支持向量机算法 | 第23-26页 |
| 2.4.1 C-SVM算法 | 第23-24页 |
| 2.4.2 μ-SVM算法 | 第24-25页 |
| 2.4.3 LS-SVM算法 | 第25-26页 |
| 2.5 本章小节 | 第26-27页 |
| 3.改进的二分类支持向量机增量学习算法 | 第27-38页 |
| 3.1 支持向量机增量学习算法 | 第27-29页 |
| 3.1.1 支持向量机增量学习算法的发展 | 第27-28页 |
| 3.1.2 基于分块法的支持向量机增量学习算法 | 第28页 |
| 3.1.3 一种简单支持向量机增量学习算法 | 第28-29页 |
| 3.2 KKT条件与样本分布关系分析 | 第29-30页 |
| 3.3 边界向量预选取 | 第30-31页 |
| 3.4 基于K-近邻中心密度的边界向量的预选取 | 第31-33页 |
| 3.5 基于K-近邻中心密度的支持向量机增量学习算法 | 第33-34页 |
| 3.5.1 算法思想 | 第33页 |
| 3.5.2 算法描述 | 第33-34页 |
| 3.6 实验结果与分析 | 第34-37页 |
| 3.7 本章小节 | 第37-38页 |
| 4.改进的孪生支持向量机增量学习算法 | 第38-56页 |
| 4.1 孪生支持向量机 | 第38-42页 |
| 4.1.1 线性孪生支持向量机 | 第38-40页 |
| 4.1.2 非线性孪生支持向量机 | 第40-42页 |
| 4.2 多类别分类模型的提出 | 第42-43页 |
| 4.3 改进的孪生支持向量机增量学习算法 | 第43-45页 |
| 4.3.1 新的样本预选取方法 | 第43-44页 |
| 4.3.2 算法的思想与描述 | 第44-45页 |
| 4.4 ITWSVM-n分类模型 | 第45-51页 |
| 4.5 实验结果与分析 | 第51-55页 |
| 4.5.1 改进的孪生支持向量机算法性能 | 第51-52页 |
| 4.5.2 改进的TWSVM增量学习算法增量算法性能 | 第52-55页 |
| 4.6 本章小节 | 第55-56页 |
| 5.总结与展望 | 第56-57页 |
| 5.1 总结 | 第56页 |
| 5.2 展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士学位期间发表学术论文情况 | 第61-62页 |
| 致谢 | 第62-63页 |
| 作者简介 | 第63-64页 |