| 摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| 第一章 绪论 | 第12-20页 |
| ·本文的研究背景和研究意义 | 第12-13页 |
| ·研究现状与发展方向 | 第13-16页 |
| ·本文的主要工作和创新点 | 第16-18页 |
| ·本文的章节安排 | 第18-19页 |
| ·本文的主要符号 | 第19-20页 |
| 第二章 支持向量机的理论基础 | 第20-33页 |
| ·引言 | 第20页 |
| ·统计学习理论 | 第20-23页 |
| ·支持向量机 | 第23-27页 |
| ·正定核 | 第27-32页 |
| ·本章小结 | 第32-33页 |
| 第三章 L2-范数下平分最近点原理与最大间隔原理的等价性 | 第33-48页 |
| ·引言 | 第33页 |
| ·L1-范数下平分最近点原理与最大间隔原理的等价性 | 第33-36页 |
| ·L2-范数下平分最近点原理与最大间隔原理的等价性 | 第36-42页 |
| ·L2-范数下平分最近点原理模型的最小序贯算法 | 第42-47页 |
| ·本章小结 | 第47-48页 |
| 第四章 秩空间差异性：基核矩阵的一个差异性度量 | 第48-64页 |
| ·引言 | 第48-49页 |
| ·平分最近点原理与可分性 | 第49-51页 |
| ·矩阵的秩空间差异性与基核矩阵的选择 | 第51-56页 |
| ·基于平分最近点原理的核矩阵学习 | 第56-61页 |
| ·实验与分析 | 第61-63页 |
| ·本章小结 | 第63-64页 |
| 第五章 最大鲁棒度准则 | 第64-78页 |
| ·引言 | 第64-65页 |
| ·最大鲁棒度准则 | 第65-70页 |
| ·基于最大鲁棒度的模型参数选择 | 第70-77页 |
| ·本章小结 | 第77-78页 |
| 第六章 基于最大鲁棒度准则的核学习 | 第78-90页 |
| ·引言 | 第78页 |
| ·基于最大鲁棒度准则的核学习模型 | 第78-80页 |
| ·梯度的计算 | 第80-84页 |
| ·模型求解算法 | 第84-86页 |
| ·实验与结果分析 | 第86-89页 |
| ·本章小结 | 第89-90页 |
| 第七章 总结与展望 | 第90-92页 |
| 参考文献 | 第92-101页 |
| 致谢 | 第101页 |
