基于支持向量机的多分类模型的研究和设计
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 目录 | 第5-8页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 研究意义 | 第8-9页 |
| 1.2 研究现状 | 第9-11页 |
| 1.3 研究内容与目标 | 第11-14页 |
| 1.3.1 研究内容 | 第11-12页 |
| 1.3.2 研究目标 | 第12-13页 |
| 1.3.3 技术路线 | 第13-14页 |
| 1.4 论文结构 | 第14-15页 |
| 第2章 相关理论和研究方法 | 第15-21页 |
| 2.1 统计学习理论 | 第15-17页 |
| 2.1.1 函数集的VC维 | 第15-16页 |
| 2.1.2 推广性界 | 第16-17页 |
| 2.1.3 结构风险最小化原则 | 第17页 |
| 2.2 支持向量机 | 第17-19页 |
| 2.3 层次分析法 | 第19-20页 |
| 2.4 UCI数据库 | 第20页 |
| 2.5 本章小结 | 第20-21页 |
| 第3章 支持向量机实现多分类的一般方法 | 第21-32页 |
| 3.1 多分类问题 | 第21页 |
| 3.2 编码规则 | 第21-23页 |
| 3.3 输出编码方法 | 第23-29页 |
| 3.3.1 一对一1vs1 | 第23-24页 |
| 3.3.2 一对多1vsA | 第24-26页 |
| 3.3.3 纠错输出编码ECOC | 第26-27页 |
| 3.3.4 最小输出编码MOC | 第27-29页 |
| 3.4 编码实验 | 第29-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第4章 基于支持向量机的新型多分类模型 | 第32-46页 |
| 4.1 基本思想 | 第32-34页 |
| 4.2 生成偶数位序列S | 第34-37页 |
| 4.3 获取线性可分情况 | 第37-42页 |
| 4.3.1 IO列 | 第38-39页 |
| 4.3.2 PA500列 | 第39-40页 |
| 4.3.3 HFS列 | 第40-42页 |
| 4.4 建立多分类结构 | 第42-45页 |
| 4.4.1 情况一 | 第43页 |
| 4.4.2 情况二 | 第43-44页 |
| 4.4.3 情况三 | 第44-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第5章 实验验证 | 第46-57页 |
| 5.1 Iris数据集验证 | 第46-50页 |
| 5.1.1 数据集简介 | 第46-47页 |
| 5.1.2 构造多分类模型 | 第47-48页 |
| 5.1.3 实验结果分析 | 第48-50页 |
| 5.2 BreastTissue数据集验证 | 第50-52页 |
| 5.2.1 数据集简介 | 第50-51页 |
| 5.2.2 构造多分类模型 | 第51页 |
| 5.2.3 实验结果分析 | 第51-52页 |
| 5.3 Statlog数据集验证 | 第52-56页 |
| 5.3.1 数据集简介 | 第52-53页 |
| 5.3.2 构造多分类模型 | 第53-56页 |
| 5.3.3 实验结果分析 | 第56页 |
| 5.4 本章小结 | 第56-57页 |
| 第6章 结论与展望 | 第57-59页 |
| 6.1 主要工作和创新 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 攻读学位期间的研究成果 | 第64页 |
