大样本支持向量机研究
| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-11页 |
| 1 绪论 | 第11-21页 |
| ·理论背景 | 第11-14页 |
| ·机器学习的基本问题 | 第12-13页 |
| ·复杂性及推广能力 | 第13-14页 |
| ·统计学习理论 | 第14-17页 |
| ·学习过程一致性的条件 | 第14页 |
| ·推广性的界和VC 维 | 第14-15页 |
| ·结构风险最小化 | 第15-17页 |
| ·支持向量机 | 第17-19页 |
| ·国内外研究现状 | 第17-18页 |
| ·存在的主要问题 | 第18-19页 |
| ·本文结构安排 | 第19-21页 |
| 2 支持向量机理论及各类训练算法 | 第21-34页 |
| ·支持向量机 | 第21-29页 |
| ·线性可分支持向量机 | 第21-25页 |
| ·线性近似可分支持向量机 | 第25-26页 |
| ·线性不可分支持向量机 | 第26-29页 |
| ·支持向量机常见的变形算法 | 第29-34页 |
| ·C-SVM | 第29-30页 |
| ·V-SVM | 第30-31页 |
| ·R-SVM | 第31-32页 |
| ·W-SVM | 第32-33页 |
| ·LS-SVM | 第33-34页 |
| 3 粗糙集及基于粗糙集的支持向量机扩展 | 第34-51页 |
| ·粗糙集 | 第34-35页 |
| ·粗糙集 | 第34页 |
| ·属性约简 | 第34-35页 |
| ·支持向量超平面扩展模型 | 第35-45页 |
| ·LS-SVM 算法 | 第35-36页 |
| ·粗糙集的知识获取方法 | 第36-39页 |
| ·知识表达与决策系统 | 第39-40页 |
| ·基于粗糙集知识表示的支持向量机分类算法 | 第40-41页 |
| ·实验结果 | 第41-44页 |
| ·小节 | 第44-45页 |
| ·支持向量超球面扩展模型 | 第45-51页 |
| ·SVDD 算法 | 第46-47页 |
| ·RS-SVDD 算法 | 第47-48页 |
| ·实验结果 | 第48-50页 |
| ·小节 | 第50-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-57页 |
| 作者简历 | 第57-58页 |
| 学位论文数据集 | 第58-59页 |
