| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题背景 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.2.1 机器学习发展概述 | 第10页 |
| 1.2.2 增量学习现状 | 第10-11页 |
| 1.2.3 半监督式学习现状 | 第11-12页 |
| 1.3 本文主要研究内容 | 第12-14页 |
| 第2章 机器学习与支持向量机理论 | 第14-29页 |
| 2.1 机器学习模型与方法 | 第14-18页 |
| 2.1.1 机器学习模型 | 第14-15页 |
| 2.1.2 机器学习相关方法 | 第15-18页 |
| 2.2 统计学习理论 | 第18-23页 |
| 2.2.1 统计学习过程的一致性与收敛性 | 第18-20页 |
| 2.2.2 函数集的VC维 | 第20-21页 |
| 2.2.3 结构风险最小化原则 | 第21-23页 |
| 2.3 支持向量机理论 | 第23-28页 |
| 2.3.1 SVM思想 | 第23-26页 |
| 2.3.2 核函数与特征空间 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于SVM的增量学习算法 | 第29-45页 |
| 3.1 基于SVM的增量学习 | 第29-31页 |
| 3.1.1 基于SVM的增量学习思想 | 第30-31页 |
| 3.1.2 基于SVM的增量过程分析 | 第31页 |
| 3.2 常用的基于SVM增量学习算法 | 第31-36页 |
| 3.2.1 Batch SVM | 第31-32页 |
| 3.2.2 基于KKT条件的增量学习算法 | 第32-36页 |
| 3.3 基于KKT条件的错误驱动SVM增量学习算法 | 第36-41页 |
| 3.3.1 改进的KKT条件 | 第37-38页 |
| 3.3.2 错误驱动策略 | 第38-39页 |
| 3.3.3 算法描述 | 第39-41页 |
| 3.4 实验仿真 | 第41-44页 |
| 3.4.1 实验一 | 第41-42页 |
| 3.4.2 实验二 | 第42-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 基于半监督的增量式SVM学习算法 | 第45-60页 |
| 4.1 半监督学习 | 第45-48页 |
| 4.2 半监督式增量SVM学习算法 | 第48-53页 |
| 4.2.1 直推式支持向量机 | 第48-50页 |
| 4.2.2 最邻近直推式支持向量机 | 第50-51页 |
| 4.2.3 基于KNN-TSVM的增量式学习算法 | 第51-53页 |
| 4.3 实验仿真 | 第53-59页 |
| 4.3.1 实验一 | 第53-56页 |
| 4.3.2 实验二 | 第56-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第5章 半监督式增量学习算法在太阳能电池板缺陷检测中的应用 | 第60-66页 |
| 5.1 实验对象 | 第60-61页 |
| 5.2 实验流程 | 第61-62页 |
| 5.3 实验仿真 | 第62-65页 |
| 5.4 本章小结 | 第65-66页 |
| 第6章 结论与展望 | 第66-68页 |
| 6.1 结论 | 第66-67页 |
| 6.2 展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-73页 |
| 攻读学位期间参加的科研项目和成果 | 第73页 |