| 摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| 1 绪论 | 第12-19页 |
| ·前言 | 第12页 |
| ·统计学习理论概述 | 第12-15页 |
| ·支持向量机研究背景 | 第15-17页 |
| ·论文研究主要内容和各章主要安排 | 第17-19页 |
| 2 支持向量机模型参数选择研究 | 第19-37页 |
| ·前言 | 第19页 |
| ·支持向量分类机参数选择研究 | 第19-28页 |
| ·支持向量回归机参数选择研究 | 第28-35页 |
| ·结论 | 第35-37页 |
| 3 基于改进的SOR-SVM的增量学习分类算法研究 | 第37-55页 |
| ·前言 | 第37-38页 |
| ·SOR-SVM算法 | 第38-41页 |
| ·改进的SOR-SVM算法 | 第41-43页 |
| ·基于改进的SOR-SVM的增量学习分类算法 | 第43-54页 |
| ·结论 | 第54-55页 |
| 4 基于改进的SOR-SVR的增量学习回归算法研究 | 第55-73页 |
| ·前言 | 第55页 |
| ·SOR-SVR算法 | 第55-58页 |
| ·改进的SOR-SVR算法 | 第58-59页 |
| ·基于改进的SOR-SVR的增量学习回归算法 | 第59-71页 |
| ·结论 | 第71-73页 |
| 5 利用遗传算法求解支持向量机 | 第73-79页 |
| ·前言 | 第73页 |
| ·支持向量回归机算法 | 第73-75页 |
| ·GA-SVR算法 | 第75-76页 |
| ·数值实验 | 第76-78页 |
| ·结论 | 第78-79页 |
| 6 总结与展望 | 第79-81页 |
| 致谢 | 第81-82页 |
| 参考文献 | 第82-86页 |
| 攻读学位期间发表的论文和所获奖励 | 第86-87页 |
| 详细摘要 | 第87-100页 |