基于广泛内核的CVM算法研究及参数C的选择
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第一章 绪论 | 第10-21页 |
| ·研究背景及意义 | 第10页 |
| ·统计学习理论和支持向量机算法概述 | 第10-14页 |
| ·统计学习理论 | 第11-12页 |
| ·支持向量机 | 第12-14页 |
| ·支持向量机大样本学习算法的研究现状 | 第14-19页 |
| ·分解方法 | 第15-16页 |
| ·变形方法 | 第16-17页 |
| ·预处理方法 | 第17-18页 |
| ·增量学习方法 | 第18页 |
| ·其他处理方法 | 第18-19页 |
| ·研究内容 | 第19页 |
| ·章节安排 | 第19-21页 |
| 第二章 基于最小闭包球的CVM 算法介绍 | 第21-30页 |
| ·分类与超球问题 | 第21-23页 |
| ·硬间隔SVDD | 第21-22页 |
| ·软间隔SVDD | 第22-23页 |
| ·最小闭包球问题 | 第23-27页 |
| ·MEB 问题的定义 | 第23-24页 |
| ·单类二范数SVM | 第24-25页 |
| ·二类二范数SVM | 第25-26页 |
| ·最小闭包球转化条件分析 | 第26-27页 |
| ·CVM 算法 | 第27-28页 |
| ·CVM 算法思想 | 第27页 |
| ·CVM 算法描述 | 第27-28页 |
| ·算法分析及新算法的提出 | 第28-29页 |
| ·算法分析 | 第28-29页 |
| ·新算法的提出 | 第29页 |
| ·本章小结 | 第29-30页 |
| 第三章 基于广泛内核的ECVM 算法 | 第30-46页 |
| ·中心约束MEB | 第30-32页 |
| ·中心约束MEB 定义 | 第30-32页 |
| ·中心约束最小闭包球转化条件分析 | 第32页 |
| ·ECVM 算法的设计 | 第32-37页 |
| ·最远点的计算 | 第32-33页 |
| ·决策向量的计算 | 第33-35页 |
| ·ECVM 算法描述 | 第35-37页 |
| ·ECVM 算法的性能分析 | 第37-40页 |
| ·ECVM 算法的收敛性能分析 | 第38-39页 |
| ·ECVM 算法的复杂度分析 | 第39-40页 |
| ·实验及结果分析 | 第40-45页 |
| ·实验环境及数据集 | 第40-41页 |
| ·实验结果及其分析 | 第41-45页 |
| ·本章小结 | 第45-46页 |
| 第四章 基于核聚类的参数C 选取算法 | 第46-58页 |
| ·参数C 的选取算法 | 第46-49页 |
| ·软间隔与参数C | 第46-47页 |
| ·交叉验证法 | 第47-48页 |
| ·结构风险法 | 第48-49页 |
| ·基于核聚类的参数C 选择算法的设计及分析 | 第49-55页 |
| ·问题提出 | 第49页 |
| ·相关知识 | 第49-52页 |
| ·基于聚类的距离比较算法设计及分析 | 第52-55页 |
| ·实验及结果分析 | 第55-57页 |
| ·实验环境和数据集 | 第55页 |
| ·实验结果及其分析 | 第55-57页 |
| ·本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| ·论文的主要工作及贡献 | 第58页 |
| ·下一步的工作 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 在学期间的研究成果及发表的学术论文 | 第65页 |
