| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第7-11页 |
| ·课题背景及其意义 | 第7-8页 |
| ·课题的现状 | 第8-9页 |
| ·SVM 的现状 | 第8-9页 |
| ·支持向量分类机和支持向量回归机关系的现状 | 第9页 |
| ·本文的主要研究内容和创新点 | 第9-10页 |
| ·本文的组织结构 | 第9-10页 |
| ·课题的创新点 | 第10页 |
| ·小结 | 第10-11页 |
| 第二章 支持向量回归机 | 第11-28页 |
| ·支持向量回归机的基本数学模型 | 第11-15页 |
| ·统计学习理论与结构风险最小化 | 第11-12页 |
| ·支持向量机 | 第12-14页 |
| ·支持向量回归机的基本数学模型 | 第14-15页 |
| ·支持向量回归机中常用的损失函数 | 第15-21页 |
| ·ε损失函数与ε-支持向量回归机 | 第15-16页 |
| ·Huber 损失函数与Huber-支持向量回归机 | 第16-18页 |
| ·r 范数损失函数与r 范数-支持向量回归机 | 第18-21页 |
| ·核函数 | 第21-22页 |
| ·定义 | 第21页 |
| ·常见的核函数 | 第21-22页 |
| ·惩罚因子 | 第22页 |
| ·SVR 的几何框架 | 第22-27页 |
| ·概述 | 第22-23页 |
| ·ε-带 | 第23-26页 |
| ·核化H-支持向量回归机 | 第26页 |
| ·泛化性能 | 第26-27页 |
| ·小结 | 第27-28页 |
| 第三章 KREIN 空间的非正定核 | 第28-31页 |
| ·RKKS(REPRODUCING KERNEL KERIN SPACE) | 第28-29页 |
| ·Krein 空间 | 第28-29页 |
| ·Krein 空间的核函数 | 第29页 |
| ·常用的核 | 第29页 |
| ·RKKS 机器学习 | 第29-30页 |
| ·RKKS 机器学习理论的重要结论 | 第30页 |
| ·RKKS 机器学习理论应用的策略 | 第30页 |
| ·小结 | 第30-31页 |
| 第四章 引入非正定核函数 | 第31-39页 |
| ·近似SVR 模型 | 第31-33页 |
| ·在SVR 模型中引入RKKS 机器学习理论 | 第31-32页 |
| ·核函数 | 第32-33页 |
| ·损失函数 | 第33页 |
| ·近似支持向量回归机模型 | 第33页 |
| ·负梯度下降法 | 第33-34页 |
| ·近似支持向量回归机模型的负梯度下降求解法 | 第34-35页 |
| ·实验及其结果 | 第35-38页 |
| ·具有正定核的支持向量回归机模型和近似支持向量回归机模型的训练性能比较 | 第36-37页 |
| ·具有正定核的SVR 模型和近似SVR 模型的泛化性能比较 | 第37页 |
| ·引入非正定核后近似SVR 模型的训练性能 | 第37-38页 |
| ·小结 | 第38-39页 |
| 第五章 从SVC 核函数到SVR 核函数 | 第39-48页 |
| ·在SVR 几何框架中核函数的关系 | 第39-40页 |
| ·核函数的关系 | 第39-40页 |
| ·应用中面临的问题 | 第40页 |
| ·SVR 几何框架中核函数关系的应用策略 | 第40-43页 |
| ·引入空间映射变换保证k( x_i, x_j ) 的正定性 | 第40-42页 |
| ·使用近似支持向量回归机模型 | 第42页 |
| ·其它方法 | 第42-43页 |
| ·实验和实验结果 | 第43-46页 |
| ·应用价值 | 第46页 |
| ·小结 | 第46-48页 |
| 第六章 SVR 几何框架的应用 | 第48-51页 |
| ·背景 | 第48页 |
| ·应用目的 | 第48页 |
| ·应用方案 | 第48-49页 |
| ·数据规范化 | 第48-49页 |
| ·参数选择 | 第49页 |
| ·仿真结果 | 第49-51页 |
| ·仿真结果 | 第49-50页 |
| ·结果分析 | 第50-51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 | 第57页 |
