支持向量机和支持向量域描述的若干问题研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-14页 |
| 第一章 绪论 | 第14-24页 |
| ·研究背景和意义 | 第14-16页 |
| ·支持向量机的研究现状 | 第16-22页 |
| ·理论研究 | 第17-19页 |
| ·训练算法 | 第19-21页 |
| ·应用研究 | 第21-22页 |
| ·本文工作和结构安排 | 第22-24页 |
| 第二章 支持向量机理论 | 第24-40页 |
| ·机器学习理论基础 | 第24-26页 |
| ·学习问题的数学表达 | 第24-25页 |
| ·经验风险最小化原则 | 第25-26页 |
| ·模型复杂度和推广能力 | 第26页 |
| ·统计学习理论基础 | 第26-31页 |
| ·学习过程的一致性条件 | 第27-29页 |
| ·函数集的VC 维 | 第29页 |
| ·泛化误差界 | 第29-30页 |
| ·结构风险最小化原则 | 第30-31页 |
| ·支持向量机 | 第31-39页 |
| ·最优化理论基础 | 第31-33页 |
| ·最大间隔分类超平面 | 第33-35页 |
| ·核函数 | 第35-36页 |
| ·线性支持向量机 | 第36-38页 |
| ·非线性支持向量机 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 第三章 标准支持向量机算法研究 | 第40-67页 |
| ·同心超球面支持向量机HSVM | 第40-50页 |
| ·引言 | 第40-41页 |
| ·理论基础 | 第41-44页 |
| ·同心超球面支持向量机 | 第44-48页 |
| ·数值实验 | 第48-50页 |
| ·结论 | 第50页 |
| ·空间支持向量域分类器SSVDC | 第50-65页 |
| ·问题背景 | 第50-52页 |
| ·集成学习算法概述 | 第52-53页 |
| ·空间支持向量域分类器 | 第53-57页 |
| ·算法实现 | 第57-60页 |
| ·数值实验 | 第60-64页 |
| ·结论 | 第64-65页 |
| ·本章小结 | 第65-67页 |
| 第四章 变形支持向量机算法研究 | 第67-91页 |
| ·引言 | 第67-68页 |
| ·变形SVM 简介 | 第68-74页 |
| ·标准SVM 简介 | 第68-69页 |
| ·变形SVM 及求解方法 | 第69-74页 |
| ·光滑支持向量机的研究现状 | 第74-76页 |
| ·Mangasarian 的光滑模型 | 第74-75页 |
| ·多项式光滑模型 | 第75-76页 |
| ·线性光滑对角加权支持向量机 | 第76-80页 |
| ·非线性光滑对角加权支持向量机 | 第80-84页 |
| ·TNSDWSVM | 第81-82页 |
| ·DNSDWSVM | 第82-84页 |
| ·算法实现 | 第84-87页 |
| ·数值实验 | 第87-90页 |
| ·本章小结 | 第90-91页 |
| 第五章 支持向量域描述算法研究 | 第91-111页 |
| ·引言 | 第91-93页 |
| ·支持向量域描述SVDD | 第93-97页 |
| ·输入空间SVDD | 第93-94页 |
| ·特征空间SVDD | 第94-96页 |
| ·支持向量特性及分布 | 第96-97页 |
| ·约简支持向量域描述RSVDD | 第97-102页 |
| ·中心距离比值提取SVM 的支持向量 | 第97-98页 |
| ·约简支持向量域描述 | 第98-99页 |
| ·约简集规模 | 第99-100页 |
| ·数值实验 | 第100-102页 |
| ·结论 | 第102页 |
| ·信赖支持向量域描述 | 第102-110页 |
| ·信赖支持向量域描述 | 第103-104页 |
| ·抽样集规模 | 第104页 |
| ·抽样集分布 | 第104-106页 |
| ·参数设置和复杂度 | 第106-107页 |
| ·数值实验 | 第107-110页 |
| ·结论 | 第110页 |
| ·本章小结 | 第110-111页 |
| 结束语 | 第111-113页 |
| 参考文献 | 第113-124页 |
| 致谢 | 第124-126页 |
| 攻读博士学位期间的科研工作 | 第126-128页 |
