支持向量机相关方法研究
| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 1 引言 | 第12-18页 |
| ·研究背景和意义 | 第12-13页 |
| ·支持向量机国内外研究现状 | 第13-15页 |
| ·基础理论研究现状 | 第13-14页 |
| ·算法研究现状 | 第14-15页 |
| ·应用研究现状 | 第15页 |
| ·论文的主要工作和结构安排 | 第15-18页 |
| 2 支持向量机理论 | 第18-30页 |
| ·机器学习的主要问题 | 第18-20页 |
| ·学习问题的一般表示 | 第18-20页 |
| ·经验风险最小化原则 | 第20页 |
| ·复杂性和推广能力 | 第20页 |
| ·统计学习理论 | 第20-24页 |
| ·学习过程的一致性条件 | 第21-22页 |
| ·VC维 | 第22页 |
| ·推广性的界 | 第22-23页 |
| ·结构风险最小化 | 第23-24页 |
| ·支持向量机原理 | 第24-29页 |
| ·线性支持向量机 | 第24-26页 |
| ·非线性支持向量机 | 第26-28页 |
| ·核函数 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 3 加权最小二乘双支持向量机分类器 | 第30-46页 |
| ·基于非平衡双超平面的支持向量机 | 第31-35页 |
| ·广义特征值最接近支持向量机GEPSVM | 第31-32页 |
| ·支持向量机TWSVM | 第32-33页 |
| ·最小二乘双支持向量机LSTSVM | 第33-35页 |
| ·加权最小二乘双支持向量机WLSTSVM | 第35-45页 |
| ·加权最小二乘支持向量机WLS-SVM | 第35-36页 |
| ·线性WLSTSVM | 第36-39页 |
| ·非线性WLSTSVM | 第39-40页 |
| ·实验及结果分析 | 第40-45页 |
| ·本章小结 | 第45-46页 |
| 4 基于LSTSVM的多类分类方法 | 第46-54页 |
| ·传统SVM多类分类思想 | 第46-47页 |
| ·基于优化有向无环图的LSTSVM多类分类方法 | 第47-52页 |
| ·类别可分性准则 | 第47-49页 |
| ·无重复的类别序号重排方法 | 第49页 |
| ·N类分类问题算法描述 | 第49-50页 |
| ·实验及结果分析 | 第50-52页 |
| ·本章小结 | 第52-54页 |
| 5 基于改进微分进化算法的参数选择 | 第54-68页 |
| ·微分进化算法 | 第55-56页 |
| ·微分进化算法的改进 | 第56-63页 |
| ·变异策略 | 第57-59页 |
| ·控制参数 | 第59-60页 |
| ·实验及结果分析 | 第60-63页 |
| ·基于改进DE算法的NPPC参数选择 | 第63-66页 |
| ·非平衡平面邻近分类器NPPC | 第63页 |
| ·算法实现 | 第63-64页 |
| ·实验及结果分析 | 第64-66页 |
| ·本章小结 | 第66-68页 |
| 6 基于SVM的样本约简方法 | 第68-84页 |
| ·样本个数约简 | 第68-74页 |
| ·基本思想 | 第68-69页 |
| ·两凸包相对边界向量方法FFMVM | 第69-70页 |
| ·FFMVM的改进及修正 | 第70-71页 |
| ·算法实现 | 第71-72页 |
| ·实验及结果分析 | 第72-74页 |
| ·样本属性约简 | 第74-80页 |
| ·基本思想 | 第74-75页 |
| ·核Hebbian算法 | 第75-76页 |
| ·核Hebbian算法的改进 | 第76-78页 |
| ·算法实现 | 第78-79页 |
| ·实验及结果分析 | 第79-80页 |
| ·基于约简策略的SVM分类模型 | 第80-81页 |
| ·实验及结果分析 | 第81-82页 |
| ·本章小结 | 第82-84页 |
| 7 总结与展望 | 第84-87页 |
| ·总结 | 第84-85页 |
| ·展望 | 第85-87页 |
| 参考文献 | 第87-99页 |
| 致谢 | 第99-100页 |
| 个人简历及已发表的学术论文 | 第100-101页 |
| 在学期间参加的研究项目 | 第101页 |
