基于特征空间理论的几种SVM参数选取结果
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-18页 |
| ·SVM的历史 | 第8-11页 |
| ·原理 | 第11-15页 |
| ·优势和不足 | 第15-18页 |
| 2 训练点在特征空间中的性质 | 第18-26页 |
| ·径向基核函数 | 第18-19页 |
| ·RBF特征空间的一些性质 | 第19-23页 |
| ·与参数选取的关系 | 第23-26页 |
| 3 一个修正的正则参数选取模型 | 第26-34页 |
| ·基本模型 | 第26-28页 |
| ·修正的必要性 | 第28-30页 |
| ·修正模型和数值结果 | 第30-34页 |
| 4 L_1-SVM多参数选取 | 第34-42页 |
| ·误差界 | 第34-36页 |
| ·为什么用L_1-SVM? | 第36-38页 |
| ·算法与数值结果 | 第38-40页 |
| ·修正界的可微性 | 第38页 |
| ·优化求解过程 | 第38-39页 |
| ·数值结果 | 第39-40页 |
| ·一种随机方法 | 第40-42页 |
| 5 一种新的参数调节算法 | 第42-54页 |
| ·求解SVM的微分方程模型 | 第42-46页 |
| ·解的存在唯一性 | 第43-44页 |
| ·数值算法上的一些难题 | 第44-46页 |
| ·微分方程组的近似解 | 第46-48页 |
| ·SVM与RBF神经网络 | 第48-54页 |
| ·RBF神经网络 | 第48-50页 |
| ·标准SVM | 第50-51页 |
| ·微分方程模型 | 第51-52页 |
| ·SRM原则下的等价性 | 第52-54页 |
| 6 结论与展望 | 第54-56页 |
| 参考文献 | 第56-58页 |
| 附录A 机器学习的一些思考 | 第58-60页 |
| 附录B 名词解释 | 第60-62页 |
| 附录C 索引 | 第62-64页 |
| 攻读硕士学位期间发表学术论文情况 | 第64-66页 |
| 致谢 | 第66-68页 |
