| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 1 绪论 | 第10-17页 |
| ·课题背景与研究现状 | 第10-12页 |
| ·论文内容安排 | 第12-13页 |
| ·机器学习的演进 | 第13-15页 |
| ·模式分析的发展历程 | 第15-17页 |
| 2 支持向量机 | 第17-39页 |
| ·统计学习理论 | 第18-19页 |
| ·线性学习机 | 第19-24页 |
| ·线性分类 | 第19-22页 |
| ·线性回归 | 第22-24页 |
| ·最优化理论 | 第24-31页 |
| ·最优化问题 | 第26-27页 |
| ·拉格朗日理论与Karush-Kuhn-Tucker（KKT）条件 | 第27-29页 |
| ·对偶理论 | 第29-31页 |
| ·支持向量分类机 | 第31-34页 |
| ·C－支持向量分类机 | 第32-33页 |
| ·v－支持向量分类机 | 第33-34页 |
| ·泛化理论 | 第34-37页 |
| ·损失函数和期望风险 | 第35-36页 |
| ·VC 维理论 | 第36-37页 |
| ·常用的核函数 | 第37-39页 |
| 3 核方法 | 第39-46页 |
| ·核技巧和MERCER 定理 | 第39-40页 |
| ·核 | 第40-46页 |
| ·核的定义与性质 | 第41-43页 |
| ·核矩阵 | 第43-44页 |
| ·核的构造 | 第44-46页 |
| 4 一种加权多宽度高斯核 | 第46-53页 |
| ·高斯核 | 第46页 |
| ·加权多宽度高斯核 | 第46-53页 |
| ·核合法性的证明 | 第47页 |
| ·可调参数的理论意义 | 第47-48页 |
| ·参数确定和模型选择 | 第48-53页 |
| 5 一类新的核函数——网络核模式 | 第53-62页 |
| ·径向基函数网络 | 第53-54页 |
| ·加权多宽度高斯核的网络本质 | 第54-59页 |
| ·网络核模式 | 第59-60页 |
| ·网络核模式与衍生多项式核 | 第60页 |
| ·网络核模式与多核学习 | 第60-61页 |
| ·基于网络核模式的径向基函数网络 | 第61-62页 |
| 6 仿真实验与分析 | 第62-75页 |
| ·基于加权多宽度高斯核的普通高斯核的二类支持向量分类对比实验 | 第62-63页 |
| ·线性核函数和高斯核函数应用网络核模式的二类支持向量分类划分超平面对比实验 | 第63-75页 |
| 7 总结与展望 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81-82页 |
| 个人简历 | 第82页 |
| 发表的学术论文 | 第82页 |
