| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-20页 |
| ·引言 | 第10页 |
| ·机器学习的基本问题与发展 | 第10-12页 |
| ·机器学习的基本问题 | 第11页 |
| ·机器学习问题的发展 | 第11-12页 |
| ·统计学习理论的主要内容 | 第12-15页 |
| ·函数集的VC 维 | 第12-13页 |
| ·推广性界 | 第13-14页 |
| ·结构风险最小化原则 | 第14-15页 |
| ·支持向量机的研究现状 | 第15-18页 |
| ·支持向量机算法综述 | 第15-16页 |
| ·各类SVM 算法比较研究实验 | 第16-18页 |
| ·本文研究的主要内容与体系结构 | 第18-20页 |
| 第2章 支持向量机及其优势 | 第20-34页 |
| ·最优分类超平面 | 第20-21页 |
| ·支持向量机 | 第21-25页 |
| ·支持向量分类机 | 第21-23页 |
| ·支持向量回归机 | 第23-25页 |
| ·核函数及特征空间 | 第25-26页 |
| ·SVM 与神经网络的性能比较 | 第26-33页 |
| ·SVM 与神经网络的相似点 | 第26-28页 |
| ·神经网络的特点 | 第28页 |
| ·支持向量机的特点 | 第28-29页 |
| ·SVM 与神经网络的仿真实验 | 第29-33页 |
| ·本章小结 | 第33-34页 |
| 第3章 支持向量机的参数选择 | 第34-48页 |
| ·支持向量机模型选择的意义及方法 | 第34-35页 |
| ·模型选择的意义 | 第34页 |
| ·模型选择方法简介 | 第34-35页 |
| ·支持向量机推广性的界 | 第35-37页 |
| ·模型选择的评价标准 | 第35页 |
| ·推广性的界的估计方法 | 第35-37页 |
| ·核函数及其参数选择 | 第37-41页 |
| ·核函数的选择 | 第37-39页 |
| ·核参数的调整 | 第39-41页 |
| ·误差惩罚参数C | 第41-43页 |
| ·基于遗传算法的支持向量机模型选择 | 第43-47页 |
| ·遗传算法的基本思想 | 第43-44页 |
| ·基于遗传算法的参数选择方法 | 第44-46页 |
| ·实验及结果分析 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第4章 支持向量分类机改进算法 | 第48-56页 |
| ·一种基于模糊C 均值聚类的支持向量机 | 第48-53页 |
| ·模糊C 均值聚类 | 第49-50页 |
| ·基于模糊C 均值聚类的支持向量机 | 第50-51页 |
| ·仿真实验 | 第51-52页 |
| ·算法复杂度分析 | 第52-53页 |
| ·SVM 用于模式识别的改进方法 | 第53-55页 |
| ·改进算法的基本思想 | 第53-54页 |
| ·改进算法的优点 | 第54页 |
| ·仿真实验 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 第5章 基于支持向量机的故障诊断 | 第56-62页 |
| ·故障诊断问题 | 第56-57页 |
| ·支持向量机多类别分类算法 | 第57-58页 |
| ·基于SVM 多类别分类算法的齿轮箱故障诊断 | 第58-60页 |
| ·基于SVM 多类别分类算法的减速箱状态分类器设计 | 第60-61页 |
| ·本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 全文总结 | 第62-63页 |
| 展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 附录 A 攻读学位期间所发表的学术论文目录 | 第68-69页 |
| 致谢 | 第69页 |