支持向量机和分类问题的算法研究
| 中文摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 支持向量机和分类问题简介 | 第8-20页 |
| 1．1 数据挖掘技术以及统计学习理论 | 第8-11页 |
| 1．1．1 数据挖掘技术简介 | 第8-9页 |
| 1．1．2 统计学习理论简介 | 第9-11页 |
| 1．2 分类问题 | 第11-13页 |
| 1．3 支持向量机模型 | 第13-16页 |
| 1．3．1 线性支持向量机 | 第13-15页 |
| 1．3．2 非线性分离器 | 第15-16页 |
| 1．4 支持向量机的算法 | 第16-17页 |
| 1．5 多类支持向量机 | 第17-18页 |
| 1．6 研究专题及主要结果 | 第18-20页 |
| 2 支持向量机的乘子极大熵法 | 第20-30页 |
| 2．1 引言 | 第20-24页 |
| 2．1．1 极大极小问题与凝聚函数 | 第20-22页 |
| 2．1．2 极大极小问题的最优性理论 | 第22页 |
| 2．1．3 模型的转化 | 第22-24页 |
| 2．2 乘子极大熵方法的基本思想 | 第24页 |
| 2．3 最优性定理 | 第24-26页 |
| 2．4 算法 | 第26-28页 |
| 2．5 算例 | 第28-30页 |
| 3 错误分离最小化的一个近似算法 | 第30-34页 |
| 3．1 问题模型 | 第30-31页 |
| 3．2 凸分析知识预备 | 第31页 |
| 3．3 近似算法 | 第31-33页 |
| 3．4 算法的有限步终止定理 | 第33-34页 |
| 4 多类支持向量机的对偶性定理 | 第34-40页 |
| 4．1 引言 | 第34页 |
| 4．2 预备知识 | 第34-35页 |
| 4．3 多类支持向量机原始问题解的性质定理 | 第35-36页 |
| 4．4 原始问题与对偶问题解的关系定理 | 第36-39页 |
| 4．5 小结 | 第39-40页 |
| 结论 | 第40-41页 |
| 工作展望 | 第41-42页 |
| 参考文献 | 第42-46页 |
| 附录 | 第46-50页 |
| 读硕期间发表、完成论文 | 第50-51页 |
| 索引 | 第51-52页 |
| 致谢 | 第52-53页 |
| 授权书 | 第53页 |
