随机支持向量机分类方法研究及其应用
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 支持向量机研究现状 | 第10-11页 |
| 1.3 随机森林研究现状 | 第11-13页 |
| 1.3.1 RF算法分析 | 第11-12页 |
| 1.3.2 RF算法与其他算法的结合 | 第12-13页 |
| 1.4 地质数据处理研究现状 | 第13页 |
| 1.5 主要研究和研究思路 | 第13-14页 |
| 1.6 论文基本结构及创新点 | 第14-16页 |
| 第2章 支持向量机算法基础 | 第16-35页 |
| 2.1 感知机 | 第16-29页 |
| 2.1.1 线性可分性 | 第16-17页 |
| 2.1.2 感知机算法 | 第17-21页 |
| 2.1.3 感知机的对偶形式 | 第21-26页 |
| 2.1.4 函数间隔和几何间隔 | 第26-29页 |
| 2.2 SVM理论 | 第29-35页 |
| 2.2.1 拉格朗日对偶性 | 第29-30页 |
| 2.2.2 求解对偶问题 | 第30页 |
| 2.2.3 核函数 | 第30-32页 |
| 2.2.4 松弛变量 | 第32-35页 |
| 第3章 随机森林算法 | 第35-48页 |
| 3.1 Bagging | 第35-36页 |
| 3.2 决策树 | 第36-45页 |
| 3.2.1 特征选择 | 第36-40页 |
| 3.2.2 决策树生成 | 第40-42页 |
| 3.2.3 决策树剪枝 | 第42-45页 |
| 3.2.4 连续数据 | 第45页 |
| 3.3 随机森林 | 第45-48页 |
| 3.3.1 算法理论 | 第45-46页 |
| 3.3.2 随机森林的组合策略 | 第46-47页 |
| 3.3.3 随机森林的多样性 | 第47-48页 |
| 第4章 随机支持向量机算法 | 第48-60页 |
| 4.1 算法分析 | 第48-53页 |
| 4.2 算法结合 | 第53-55页 |
| 4.3 RSVM算法设计 | 第55-60页 |
| 第5章 随机支持向量机的应用 | 第60-69页 |
| 5.1 数据来源分析 | 第60-64页 |
| 5.2 算法应用分析 | 第64-67页 |
| 5.3 RSVM算法应用 | 第67-69页 |
| 结论与建议 | 第69-70页 |
| 结论 | 第69页 |
| 建议 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 攻读学位期间取得学术成果 | 第75页 |
