| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-14页 |
| ·研究背景及意义 | 第9-10页 |
| ·国内外研究现状 | 第10-12页 |
| ·论文主要研究内容 | 第12-13页 |
| ·论文组织结构 | 第13-14页 |
| 第2章 相关理论与技术 | 第14-29页 |
| ·支持向量机 | 第14-19页 |
| ·最大边缘分类超平面 | 第14-16页 |
| ·线性情况下的支持向量机 | 第16-18页 |
| ·非线性情况下的支持向量机 | 第18-19页 |
| ·相关研究 | 第19-22页 |
| ·核函数 | 第19-20页 |
| ·相似度 | 第20-22页 |
| ·改进的支持向量数据描述算法研究 | 第22-28页 |
| ·基于半监督学习的加权 SVDD 方法 | 第22-24页 |
| ·基于核空间相对密度的 SVDD 多类分类算法 | 第24-26页 |
| ·基于约减集的 SVDD 方法 | 第26-27页 |
| ·基于核空间 K-均值聚类和核空间 LOF 的 SVDD 方法 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 一种改进的支持向量数据描述算法 | 第29-41页 |
| ·SVDD 算法 | 第29-31页 |
| ·SVDD 算法基本思想 | 第29页 |
| ·SVDD 算法数学描述 | 第29-31页 |
| ·改进的 RSTSVDD 算法 | 第31-40页 |
| ·问题描述 | 第31-32页 |
| ·样本相似度 | 第32-35页 |
| ·RSTSVDD 算法描述及实现 | 第35-39页 |
| ·RSTSVDD 算法分析 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第4章 实验与结果分析 | 第41-51页 |
| ·实验平台 | 第41页 |
| ·实验数据集 | 第41页 |
| ·实验评价标准 | 第41-42页 |
| ·实验内容及方案 | 第42-43页 |
| ·实验结果及分析 | 第43-50页 |
| ·本章小结 | 第50-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第56-57页 |
| 致谢 | 第57页 |