| 摘要 | 第1-7页 |
| ABSTRACT | 第7-13页 |
| 第1章 绪论 | 第13-27页 |
| ·引言 | 第13-14页 |
| ·课题研究的背景与意义 | 第14-16页 |
| ·支持向量机数据描述方法研究现状 | 第16-18页 |
| ·多示例学习研究现状 | 第18-24页 |
| ·问题的提出 | 第19-20页 |
| ·算法研究现状 | 第20-22页 |
| ·应用研究现状 | 第22-24页 |
| ·论文的基金来源和研究内容 | 第24-25页 |
| ·本文的组织结构 | 第25-27页 |
| 第2章 支持向量机数据描述方法 | 第27-47页 |
| ·统计学习理论概述 | 第27-29页 |
| ·支持向量机SVM概述 | 第29-38页 |
| ·线性可分SVM | 第30-32页 |
| ·非线性不可分SVM | 第32-34页 |
| ·Karush-Kilhn-Tucker条件 | 第34-35页 |
| ·序贯最小优化算法 | 第35-38页 |
| ·支持向量机数据描述方法SVDD概述 | 第38-46页 |
| ·单分类SVDD | 第38-40页 |
| ·二分类SVDD | 第40-41页 |
| ·单分类SVDD的求解 | 第41-43页 |
| ·二分类SVDD的求解 | 第43-46页 |
| ·小结 | 第46-47页 |
| 第三章 基于最大球心距的SVDD方法 | 第47-65页 |
| ·引言 | 第47-51页 |
| ·基于最大球心距的SVDD方法 | 第51-59页 |
| ·优化问题 | 第51-55页 |
| ·KKT条件、工作集选取以及算法停止准则 | 第55-56页 |
| ·规模为2的优化问题解析解 | 第56-59页 |
| ·实验与分析 | 第59-63页 |
| ·小结 | 第63-65页 |
| 第四章 二阶环形间隔SVDD方法 | 第65-82页 |
| ·引言 | 第65页 |
| ·二阶环形间隔SVDD方法 | 第65-70页 |
| ·优化问题 | 第65-67页 |
| ·KKT条件、工作集选取及算法停止准则 | 第67-68页 |
| ·规模为2的优化问题解析解 | 第68-70页 |
| ·不平衡问题的解决方案1 | 第70-74页 |
| ·优化问题 | 第70-72页 |
| ·KKT条件、工作集选取以及算法停止准则 | 第72-74页 |
| ·规模为2的优化问题解析解 | 第74页 |
| ·不平衡问题的解决方案2 | 第74-77页 |
| ·优化问题 | 第74-76页 |
| ·KKT条件、工作集选取以及算法停止准则 | 第76-77页 |
| ·规模为2的优化问题解析解 | 第77页 |
| ·实验与分析 | 第77-81页 |
| ·小结 | 第81-82页 |
| 第五章 基于SVDD的多示例学习方法 | 第82-98页 |
| ·引言 | 第82-84页 |
| ·mi-SVDD方法和MI-SVDD方法 | 第84-86页 |
| ·基于示例分类的方法mi-SVDD | 第84-85页 |
| ·基于包分类的方法MI-SVDD | 第85-86页 |
| ·SVDD-MILD_I类方法和SVDD-MILD_B类方法 | 第86-92页 |
| ·正示例预测 | 第86-90页 |
| ·负示例选择 | 第90页 |
| ·特征映射 | 第90-91页 |
| ·分类器 | 第91-92页 |
| ·实验及分析 | 第92-97页 |
| ·小结 | 第97-98页 |
| 第六章 SVDD-MILD方法在CBIR中的应用 | 第98-113页 |
| ·引言 | 第98-99页 |
| ·基于内容的图像检索 | 第99-103页 |
| ·用SVDD-MILD检索COREL图像库 | 第103-111页 |
| ·小结 | 第111-113页 |
| 第7章 结论与展望 | 第113-116页 |
| ·结论 | 第113-114页 |
| ·后续研究工作的展望 | 第114-116页 |
| 参考文献 | 第116-126页 |
| 致谢 | 第126-127页 |
| 攻读学位期间参加的科研项目和成果 | 第127页 |