| 第一章 概论 | 第1-13页 |
| ·选题背景及其研究意义 | 第9-10页 |
| ·选题背景 | 第9-10页 |
| ·研究意义 | 第10页 |
| ·支持向量机方法研究现状 | 第10-11页 |
| ·感官评估的国内外研究现状及发展趋势 | 第11-12页 |
| ·论文主要研究内容 | 第12-13页 |
| 第二章 支持向量机的理论基础 | 第13-20页 |
| ·学习问题的表示 | 第13-15页 |
| ·学习问题的一般表示 | 第13页 |
| ·三种主要的学习问题 | 第13-15页 |
| ·学习问题中存在的困难 | 第15页 |
| ·感官评估中的学习问题 | 第15页 |
| ·统计学习理论 | 第15-20页 |
| ·经验风险最小化与学习过程一致性的条件 | 第16-17页 |
| ·函数集的VC维与推广性的界 | 第17-19页 |
| ·结构风险最小化(SRM)原则 | 第19-20页 |
| 第三章 SVM算法发展及主要问题 | 第20-30页 |
| ·支持向量机 | 第20-26页 |
| ·最优分类超平面与核函数 | 第21-24页 |
| ·用于非线性回归函数估计的SVM | 第24-26页 |
| ·SVM的主要改进算法 | 第26-28页 |
| ·支持向量机存在的问题讨论 | 第28-30页 |
| ·函数子集结构的设计 | 第28页 |
| ·SVM核函数及参数选择 | 第28-29页 |
| ·函数集VC维的估计 | 第29-30页 |
| 第四章 感官评估中的SVM方法研究 | 第30-42页 |
| ·传统感官评估方法及其问题 | 第30-31页 |
| ·多类别SVM分类器存在的问题 | 第31-33页 |
| ·多类别SVM方法 | 第31-32页 |
| ·在感官评估中的实验验证 | 第32-33页 |
| ·感官评估-回归估计SVM方法的提出 | 第33-35页 |
| ·感官评估样本数据的特征分析 | 第33-34页 |
| ·感官评估学习问题的建模 | 第34页 |
| ·感官评估中的回归估计支持向量机 | 第34-35页 |
| ·用于回归函数估计的SVM | 第35-36页 |
| ·ε不敏感损失函数 | 第35-36页 |
| ·用于感官评估的回归函数估计SVM算法 | 第36页 |
| ·感官评估中的SVM函数估计方法设计 | 第36-39页 |
| ·感官评估中数据的主要特点 | 第36-37页 |
| ·回归估计SVM方法应用分析 | 第37页 |
| ·核函数的选择 | 第37-38页 |
| ·关键参数设计 | 第38-39页 |
| ·感官评估准确度的评价标准设计 | 第39页 |
| ·实验验证与分析 | 第39-42页 |
| ·样本数据预处理 | 第40-41页 |
| ·实验结果与分析 | 第41-42页 |
| 第五章 SVM与BP神经网络在感官评估中的对比研究 | 第42-51页 |
| ·感官评估中的BP神经网络方法 | 第42页 |
| ·SVM与神经网络的关系探讨 | 第42-44页 |
| ·两种方法在理论上的对比分析 | 第44-45页 |
| ·SVM与BP网络感官评估效果的对比分析 | 第45-48页 |
| ·BP网络学习性能分析 | 第45-46页 |
| ·实验设计 | 第46页 |
| ·两种方法的感官评估结果 | 第46页 |
| ·准确度对比与实验结果分析 | 第46-48页 |
| ·两种方法推广性能的对比研究 | 第48-51页 |
| ·BP网络泛化性能问题 | 第48-49页 |
| ·SVM方法的推广能力分析 | 第49页 |
| ·实验结果与分析 | 第49-51页 |
| 第六章 结论及展望 | 第51-54页 |
| ·结论 | 第51-52页 |
| ·展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57-58页 |
| 攻读硕士学位期间完成的学术论文 | 第58页 |