摘要 | 第1-4页 |
ABSTRACT | 第4-7页 |
第一章 绪论 | 第7-17页 |
·问题的提出 | 第7-13页 |
·支持向量回归机的引入 | 第7-8页 |
·支持向量回归机算法原理 | 第8-9页 |
·核函数 | 第9-11页 |
·支持向量回归机核方法思想及核函数的研究进展 | 第11-13页 |
·本文研究起点、研究方法及研究平台 | 第13-14页 |
·本文的研究起点 | 第13页 |
·本文的研究内容及其与已有研究内容之间的联系 | 第13-14页 |
·本文的实验工具 | 第14页 |
·本文研究工作概述和内容安排 | 第14-17页 |
·本文的研究工作概述 | 第14-15页 |
·本文的内容安排 | 第15-17页 |
第二章 非正定核机器学习方法的已有研究成果 | 第17-26页 |
·再生核KERIN 空间非正定核机器学习方法 | 第17-20页 |
·再生核Kerin 空间(Reproducing Kernel Kerin Space,RKKS) | 第17-18页 |
·非正定核函数 | 第18-19页 |
·RKKS 机器学习 | 第19-20页 |
·RKKS 机器学习理论应用的策略 | 第20页 |
·用于求解非正定核的支持向量分类机SVC 的SMO 算法 | 第20-23页 |
·SMO-SVC 模型 | 第20-22页 |
·用于求解非正定核SVC 的SMO 算法 | 第22页 |
·对求解非正定核SVC 的SMO 算法进行分析 | 第22-23页 |
·求解半无限二次约束线性模型的算法 | 第23-26页 |
·半无限二次约束线性模型 | 第23-24页 |
·求解半无限二次约束线性模型的算法 | 第24-25页 |
·算法的收敛性 | 第25页 |
·对算法的改进,消除无效的约束 | 第25-26页 |
第三章 用NORM-R 损失函数对NPKMR 方法的改进研究 | 第26-37页 |
·非正定核机器学习模型INPKMR | 第26-27页 |
·再生核krein 空间(Reproducing Kernel Krein Spaces)的机器学习 | 第26页 |
·非正定核的机器学习模型NPKMR | 第26-27页 |
·改进的非正定核机器学习模型INPKMR 及其求解 | 第27-32页 |
·松弛变量 | 第27-29页 |
·惩罚因子 | 第29-30页 |
·改进的非正定核机器学习模型INPKMR | 第30页 |
·求解INPKMR 模型的梯度下降迭代公式 | 第30-32页 |
·用梯度下降法实现INPKMR 模型的算法 | 第32页 |
·实验及其结果 | 第32-36页 |
·实验目的 | 第32-33页 |
·实验设计 | 第33页 |
·实验结果与分析 | 第33-36页 |
·结论 | 第36-37页 |
第四章 求解非正定核SVR 的SMO 算法 | 第37-47页 |
·求解非正定核SVR 的SMO 算法 | 第37-43页 |
·SVR 模型 | 第37-38页 |
·用于求解非正定核SVR 的SMO 算法 | 第38-39页 |
·对算法进行分析 | 第39-43页 |
·选择待优化的α_i , α_j | 第39-41页 |
·将SVR 转化为求解一个变量d_j 的最优化问题 | 第41页 |
·求d_j 的最优解 | 第41-43页 |
·实验及其结果 | 第43-46页 |
·实验目的 | 第43页 |
·实验设计 | 第43-44页 |
·实验结果与分析 | 第44-46页 |
·结论 | 第46-47页 |
第五章 非正定核机器回归方法的应用实例 | 第47-55页 |
·改进的非正定核机器学习模型INPKMR | 第47-49页 |
·INPKMR 模型 | 第47-48页 |
·求解 INPKMR 模型的算法 | 第48-49页 |
·求解非正定核SVR 的SMO 算法 | 第49页 |
·引入Huber 损失函数的SVR 模型 | 第49页 |
·求解非正定核SVR 的SMO 算法 | 第49页 |
·实验与实验结果 | 第49-53页 |
·实验目的 | 第49-50页 |
·实验步骤 | 第50-51页 |
·实验结果与分析 | 第51-53页 |
·结论 | 第53-55页 |
第六章 总结与展望 | 第55-57页 |
·总结 | 第55页 |
·展望 | 第55-57页 |
致谢 | 第57-58页 |
参考文献 | 第58-61页 |
附录:作者在攻读硕士学位期间发表的论文 | 第61页 |