基于支持向量机的多领域自适应分类方法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-14页 |
| ·人工智能机器学习及其发展 | 第9-12页 |
| ·机器学习问题 | 第9-10页 |
| ·机器学习的发展 | 第10-11页 |
| ·机器学习的实现方法 | 第11-12页 |
| ·基于支持向量机的自适应相关研究 | 第12-13页 |
| ·论文的研究内容及组织结构 | 第13-14页 |
| 第2章 统计学习理论及支持向量机 | 第14-29页 |
| ·机器学习的基本问题 | 第14-16页 |
| ·问题的表示 | 第14-15页 |
| ·经验风险最小化 | 第15页 |
| ·复杂性和泛化性能 | 第15-16页 |
| ·统计学习理论 | 第16-20页 |
| ·VC维(函数的多样性) | 第17页 |
| ·泛化性的界 | 第17-18页 |
| ·结构风险最小化 | 第18-20页 |
| ·支持向量机 | 第20-26页 |
| ·线性可分的SVM | 第21页 |
| ·线性最优分类面的SVM | 第21-22页 |
| ·线性广义最优分类面的SVM | 第22-24页 |
| ·非线性可分的SVM | 第24-26页 |
| ·算法实现 | 第26-28页 |
| ·选块算法(chunking) | 第26-27页 |
| ·分解算法(Decomposing) | 第27页 |
| ·序贯最小优化算法(SMO) | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 支持向量机中核函数的研究 | 第29-37页 |
| ·核函数基本概念和常见的核函数 | 第29-31页 |
| ·核函数的性质 | 第29-30页 |
| ·核函数方法的特点 | 第30页 |
| ·核函数方法实施步骤 | 第30-31页 |
| ·核参数的选择方法研究 | 第31-36页 |
| ·核函数参数实验 | 第31-32页 |
| ·核参数选择方法的分析 | 第32-35页 |
| ·惩罚系数C的研究 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第4章 新的自适应组合核函数的研究 | 第37-43页 |
| ·局部核函数和全局核函数 | 第37-38页 |
| ·局部核函数 | 第37-38页 |
| ·全局核函数 | 第38页 |
| ·组合核函数的研究 | 第38-42页 |
| ·核函数的进一步讨论 | 第42页 |
| ·本章小结 | 第42-43页 |
| 第5章 系统的设计与实现 | 第43-47页 |
| ·系统模型 | 第43页 |
| ·系统实现 | 第43-45页 |
| ·数据的归一化 | 第43页 |
| ·数据记录的表示 | 第43-44页 |
| ·分类器的模型表示 | 第44-45页 |
| ·开发环境 | 第45页 |
| ·系统功能与界面 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第6章 总结与展望 | 第47-49页 |
| ·本论文的研究工作总结 | 第47-48页 |
| ·研究展望 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 致谢 | 第52-53页 |
| 攻读硕士学位期间发表的论文 | 第53页 |
