| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 1 绪论 | 第8-15页 |
| 1.1 选题背景及研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.3 本文的主要工作和内容安排 | 第13-14页 |
| 1.3.1 本文的主要工作 | 第13-14页 |
| 1.3.2 本文的内容安排 | 第14页 |
| 1.4 本章小结 | 第14-15页 |
| 2 支持向量机基本理论 | 第15-26页 |
| 2.1 统计学习理论 | 第15-17页 |
| 2.1.1 学习一致性 | 第15-16页 |
| 2.1.2 VC维 | 第16页 |
| 2.1.3 结构风险最小化 | 第16-17页 |
| 2.2 支持向量机 | 第17-22页 |
| 2.2.1 线性可分的情况 | 第18-19页 |
| 2.2.2 非线性的情况 | 第19-21页 |
| 2.2.3 核函数 | 第21-22页 |
| 2.3 支持向量机算法研究现状 | 第22-25页 |
| 2.3.1 支持向量机改进算法 | 第22页 |
| 2.3.2 分解算法 | 第22-24页 |
| 2.3.3 多类别分类算法 | 第24页 |
| 2.3.4 支持向量机变形算法 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 3 支持向量机增量学习算法 | 第26-32页 |
| 3.1 支持向量机的增量学习 | 第26-27页 |
| 3.1.1 支持向量机增量学习的过程描述 | 第26-27页 |
| 3.2 基于KKT条件的支持向量机增量学习 | 第27-30页 |
| 3.2.1 KKT条件 | 第27-29页 |
| 3.2.2 基于KKT条件的增量学习算法 | 第29-30页 |
| 3.3 常见支持向量机增量学习算法 | 第30-31页 |
| 3.3.1 基于分块法的支持向量机增量学习算法 | 第30页 |
| 3.3.2 超球支持向量机的类增量学习策略 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 4 基于聚类预选取向量的支持向量机增量学习算法 | 第32-41页 |
| 4.1 向量预选取方法 | 第33-34页 |
| 4.1.1 基于中心距离比值的支持向量预选方法 | 第33页 |
| 4.1.2 基于二分网格的边界向量预选算法 | 第33-34页 |
| 4.2 选取支持向量的模糊C均值聚类算法 | 第34-37页 |
| 4.2.1 核模糊C均值聚类算法 | 第34-36页 |
| 4.2.2 核模糊C均值聚类样本预选取算法 | 第36页 |
| 4.2.3 算法流程 | 第36-37页 |
| 4.3 选取非支持向量的中心密度比值算法 | 第37-38页 |
| 4.3.1 中心密度比值算法 | 第37页 |
| 4.3.2 中心密度比值样本预选取算法 | 第37-38页 |
| 4.4 基于模糊C均值聚类预选取向量的支持向量机增量学习算法 | 第38-39页 |
| 4.5 实验结果及分析 | 第39-40页 |
| 4.6 本章小结 | 第40-41页 |
| 5 总结与展望 | 第41-43页 |
| 5.1 总结 | 第41页 |
| 5.2 展望 | 第41-42页 |
| 5.3 本章小结 | 第42-43页 |
| 参考文献 | 第43-47页 |
| 附录 | 第47-48页 |
| 致谢 | 第48页 |