基于支持向量机的水雷目标识别研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-18页 |
| ·支持向量机和统计学习理论的研究现状 | 第10-14页 |
| ·统计学习理论和支持向量机 | 第10-11页 |
| ·统计学习理论发展概况 | 第11-12页 |
| ·支持向量机的研究现状 | 第12-14页 |
| ·水雷目标识别的发展 | 第14-17页 |
| ·本论文的主要工作 | 第17-18页 |
| 第2章 支持向量机原理 | 第18-33页 |
| ·支持向量机对水雷目标识别的研究前景 | 第18-19页 |
| ·统计学习理论的核心思想 | 第19-22页 |
| ·期望风险和经验风险 | 第19页 |
| ·函数集的VC维 | 第19-20页 |
| ·结构风险最小化原则 | 第20-22页 |
| ·支持向量机方法 | 第22-28页 |
| ·最优分类面 | 第22-24页 |
| ·广义最优分类面 | 第24-26页 |
| ·高维空间中的最优分类面和支持向量机 | 第26-28页 |
| ·支持向量机优点 | 第28页 |
| ·支持向量机算法步骤 | 第28-29页 |
| ·支持向量机模型参数的确定 | 第29-32页 |
| ·本章小结 | 第32-33页 |
| 第3章 支持向量机训练算法 | 第33-47页 |
| ·选块算法 | 第33-35页 |
| ·算法基本思想 | 第33-34页 |
| ·算法描述 | 第34-35页 |
| ·分解算法 | 第35-39页 |
| ·算法基本思想 | 第35-38页 |
| ·工作集的求解 | 第38页 |
| ·算法描述 | 第38-39页 |
| ·序列最小优化算法 | 第39-46页 |
| ·算法基本思想 | 第39-40页 |
| ·算法描述 | 第40-43页 |
| ·基于启发式策略的Lagrange乘子的优化问题 | 第43-44页 |
| ·序列最小优化算法的特点及优势 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 第4章 支持向量机分析实例 | 第47-66页 |
| ·数据预处理 | 第47-51页 |
| ·数据预处理概述 | 第47页 |
| ·特征提取 | 第47-51页 |
| ·支持向量机方法 | 第51-64页 |
| ·数据格式的转换 | 第51-52页 |
| ·模型参数的选取 | 第52-58页 |
| ·模型的优化和确定 | 第58-61页 |
| ·连续误判点的讨论 | 第61-64页 |
| ·本章小结 | 第64-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第72-73页 |
| 致谢 | 第73-74页 |
| 附录 A | 第74页 |
