| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第13-20页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 相关研究现状分析 | 第14-18页 |
| 1.3 本文主要贡献 | 第18页 |
| 1.4 内容安排 | 第18-20页 |
| 2 相关模型及理论 | 第20-38页 |
| 2.1 函数集的VC维 | 第20-21页 |
| 2.2 大边际原理应用于分类——支持向量机 | 第21-28页 |
| 2.3 感知器算法 | 第28-29页 |
| 2.4 特征选择 | 第29-33页 |
| 2.5 层次化分类 | 第33-37页 |
| 2.6 本章小结 | 第37-38页 |
| 3 支持向量机中的特征选择 | 第38-60页 |
| 3.1 l_1正则化的支持向量机 | 第38-39页 |
| 3.2 l_1与l_2双正则化的支持向量机 | 第39-42页 |
| 3.3 分类及高维数据中的特征选择——ISVM算法 | 第42-54页 |
| 3.4 本章小结 | 第54-60页 |
| 4 层次化分类 | 第60-83页 |
| 4.1 局部化方法 | 第60-62页 |
| 4.2 贝叶斯方法 | 第62-64页 |
| 4.3 支持向量机方法 | 第64-69页 |
| 4.4 感知器算法 | 第69-72页 |
| 4.5 随机感知器算法 | 第72-82页 |
| 4.6 本章小结 | 第82-83页 |
| 5 总结与展望 | 第83-85页 |
| 5.1 总结 | 第83-84页 |
| 5.2 展望与未来工作 | 第84-85页 |
| 参考文献 | 第85-92页 |
| 攻读博士学位期间主要研究成果 | 第92-93页 |
| 致谢 | 第93页 |