基于支持向量机的特征增量学习算法研究
| 摘要 | 第1-10页 |
| ABSTRACT | 第10-12页 |
| 第一章 绪论 | 第12-16页 |
| ·研究背景 | 第12页 |
| ·研究现状 | 第12-14页 |
| ·研究内容及创新 | 第14-15页 |
| ·论文结构 | 第15-16页 |
| 第二章 支持向量机理论 | 第16-31页 |
| ·引言 | 第16-17页 |
| ·机器学习的基本方法 | 第17-19页 |
| ·学习问题的一般表示 | 第17-18页 |
| ·经验风险最小化原则 | 第18页 |
| ·模型复杂度与推广能力 | 第18-19页 |
| ·统计学习理论的基本思想 | 第19-23页 |
| ·VC 维 | 第19-20页 |
| ·泛化误差的界 | 第20-21页 |
| ·结构风险最小化原理 | 第21-23页 |
| ·支持向量机 | 第23-28页 |
| ·线性支持向量机 | 第23-27页 |
| ·非线性支持向量机 | 第27-28页 |
| ·基于支持向量机的增量学习 | 第28-30页 |
| ·SVM 增量学习描述 | 第29页 |
| ·SVM 增量学习算法 | 第29-30页 |
| ·SVM 增量学习算法存在的缺陷 | 第30页 |
| ·小结 | 第30-31页 |
| 第三章 核函数的选择研究 | 第31-35页 |
| ·引言 | 第31页 |
| ·核函数的基本理论 | 第31-33页 |
| ·核函数的性质 | 第32页 |
| ·从核函数中构造核函数 | 第32-33页 |
| ·最优核函数 | 第33-34页 |
| ·四种常见的核函数 | 第33页 |
| ·最优核函数 | 第33-34页 |
| ·小结 | 第34-35页 |
| 第四章 基于最小二乘支持向量机的特征增量学习算法 | 第35-42页 |
| ·引言 | 第35页 |
| ·增量学习问题描述 | 第35-36页 |
| ·相关工作 | 第35-36页 |
| ·现有增量算法面临的问题 | 第36页 |
| ·最小二乘支持向量机 | 第36-37页 |
| ·特征增量学习算法 | 第37-38页 |
| ·实验模拟及分析 | 第38-41页 |
| ·实验模拟 | 第38-41页 |
| ·结果分析 | 第41页 |
| ·小结 | 第41-42页 |
| 第五章 增量式边缘最大化学习算法 | 第42-54页 |
| ·引言 | 第42页 |
| ·问题描述与相关工作 | 第42-43页 |
| ·问题描述 | 第42-43页 |
| ·相关工作 | 第43页 |
| ·边缘最大化学习算法 | 第43-46页 |
| ·问题描述 | 第43-44页 |
| ·研究动机 | 第44-45页 |
| ·几何间隔 | 第45-46页 |
| ·求解算法 | 第46-49页 |
| ·实例间距的求解算法 | 第47-49页 |
| ·实验模拟与结果分析 | 第49-53页 |
| ·实验模拟 | 第49-52页 |
| ·结果分析 | 第52-53页 |
| ·小结 | 第53-54页 |
| 第六章 结束语 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 作者在学期间取得的学术成果 | 第61页 |
