| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第13-19页 |
| 第一节 研究背景与意义 | 第13-14页 |
| 第二节 国内外研究现状 | 第14-17页 |
| 一、支持向量机的研究动态 | 第14-17页 |
| 二、多臂老虎机模型研究动态 | 第17页 |
| 第三节 本文主要目的与工作 | 第17-18页 |
| 第四节 本文的主要内容组织 | 第18-19页 |
| 第二章 支持向量机理论 | 第19-32页 |
| 第一节 理论基础 | 第19-22页 |
| 一、统计学习理论 | 第19页 |
| 二、VC维 | 第19-20页 |
| 三、推广性的界 | 第20页 |
| 四、结构风险最小化原则 | 第20-22页 |
| 第二节 支持向量机 | 第22-28页 |
| 一、线性最优分类超平面 | 第22-25页 |
| 二、线性不可分最优分类超平面 | 第25-26页 |
| 三、高维空间的最优分类面 | 第26-28页 |
| 第三节 支持向量机的核函数 | 第28-29页 |
| 一、核函数定理 | 第28页 |
| 二、常用核函数 | 第28-29页 |
| 第四节 RBF核函数 | 第29-31页 |
| 第五节 本章小节 | 第31-32页 |
| 第三章 基于多臂老虎机模型的参数优化方法 | 第32-43页 |
| 第一节 支持向量机模型参数分析 | 第32-34页 |
| 一、支持向量机模型 | 第32页 |
| 二、参数对支持向量机的影响 | 第32-34页 |
| 第二节 支持向量机参数选择方法 | 第34-39页 |
| 一、交叉验证方法 | 第35-36页 |
| 二、网格搜索方法 | 第36-38页 |
| 三、随机搜索 | 第38-39页 |
| 第三节 多臂老虎机理论 | 第39-41页 |
| 一、强化学习理论 | 第39页 |
| 二、多臂老虎机理论 | 第39-40页 |
| 三、多臂老虎机模型相关算法 | 第40-41页 |
| 第四节 本章小节 | 第41-43页 |
| 第四章 数值实验 | 第43-58页 |
| 第一节 基于多臂老虎机的SVM参数优化方法 | 第43-50页 |
| 一、爬山搜索算法(Hill Climbing) | 第44-46页 |
| 二、模拟退火算法(Simulated Annealing、SA) | 第46-47页 |
| 三、遗传算法( Genetic Algorithm、GA) | 第47-49页 |
| 四、基于多臂老虎机模型的SVM参数优化方法 | 第49-50页 |
| 第二节 多臂老虎机算法性能测试 | 第50-56页 |
| 第三节 遗传算法与基于多臂老虎机的SVM参数优化方法数值实验 | 第56-58页 |
| 第五章 总结与展望 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间发表的学术论文目录 | 第65页 |
