支持向量机神经网络研究及其硬件实现
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 1 概述 | 第8-16页 |
| ·支持向量机产生的背景及其发展现状 | 第8-11页 |
| ·支持向量机产生和发展状况 | 第8-10页 |
| ·支持向量机的优点 | 第10-11页 |
| ·神经网络发展的历史回顾 | 第11-13页 |
| ·历史回顾 | 第11-13页 |
| ·神经网络的优点 | 第13页 |
| ·本课题的意义及研究背景 | 第13-14页 |
| ·本文框架 | 第14-16页 |
| 2 统计学习理论简介 | 第16-20页 |
| ·机器学习的基本问题 | 第16-17页 |
| ·问题的表示 | 第16-17页 |
| ·经验风险最小化 | 第17页 |
| ·统计学习理论的核心内容 | 第17-20页 |
| ·VC维 | 第18页 |
| ·推广性的界 | 第18-19页 |
| ·结构风险最小化 | 第19-20页 |
| 3 支持向量机的研究 | 第20-30页 |
| ·分类问题 | 第20-25页 |
| ·线性可分支持向量分类机 | 第20-22页 |
| ·线性支持向量分类机 | 第22-23页 |
| ·支持向量分类机 | 第23-25页 |
| ·回归估计 | 第25-26页 |
| ·最小二乘支持向量机 | 第26-30页 |
| ·最小二乘支持向量分类机 | 第26-28页 |
| ·最小二乘支持向量回归机 | 第28-30页 |
| 4 支持向量机学习神经网络 | 第30-42页 |
| ·支持向量机学习神经网络动态方程 | 第30-32页 |
| ·支持向量机学习神经网络的实现 | 第32-34页 |
| ·支持向量机学习神经网络稳定性 | 第34-36页 |
| ·仿真实验研究 | 第36-42页 |
| 5 最小二乘支持向量机学习神经网络 | 第42-58页 |
| ·LS-SVM分类学习神经网络 | 第42-46页 |
| ·LS-SVM分类学习神经网络动态方程及其实现 | 第42-45页 |
| ·LS-SVM分类学习神经网络稳定性分析 | 第45-46页 |
| ·LS-SVM回归学习神经网络 | 第46-49页 |
| ·LS-SVM回归学习神经网络动态方程及其实现 | 第46-48页 |
| ·LS-SVM回归学习神经网络稳定性分析 | 第48-49页 |
| ·仿真与实验 | 第49-58页 |
| 6 总结与展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-63页 |
