| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 目录 | 第7-9页 |
| 第1章 绪论 | 第9-13页 |
| ·研究背景 | 第9页 |
| ·支持向量机发展现状 | 第9-11页 |
| ·支持向量机的发展历史 | 第9-10页 |
| ·支持向量机的应用现状 | 第10页 |
| ·支持向量机的理论研究方向 | 第10-11页 |
| ·本文内容安排 | 第11-13页 |
| 第2章 支持向量机理论 | 第13-29页 |
| ·引言 | 第13页 |
| ·统计学习理论介绍 | 第13-19页 |
| ·机器学习问题的表示 | 第13-14页 |
| ·VC维 | 第14-16页 |
| ·经验风险最小化原则 | 第16页 |
| ·推广误差边界 | 第16-17页 |
| ·结构风险最小化归纳原理 | 第17-19页 |
| ·线性支持向量机理论 | 第19-24页 |
| ·线性可分情况 | 第19-22页 |
| ·线性不可分情况 | 第22-24页 |
| ·非线性支持向量机理论 | 第24-27页 |
| ·本章小结 | 第27-29页 |
| 第3章 One-class SVM算法及其加权改进 | 第29-37页 |
| ·C-SVM算法 | 第29页 |
| ·One-class SVM算法 | 第29-31页 |
| ·One-class SVM算法无法解决类别大小差异对分类精度影响的原因分析 | 第31-33页 |
| ·加权One-class SVM算法 | 第33-34页 |
| ·加权One-class SVM算法减小类别大小差异造成的影响分析 | 第34页 |
| ·加权One-class SVM算法应用于解决多类别分类问题 | 第34-35页 |
| ·本章小结 | 第35-37页 |
| 第4章 3D人脸识别中的支持向量机研究 | 第37-45页 |
| ·人脸识别 | 第37-38页 |
| ·引言 | 第37页 |
| ·3D人脸识别的基本框架 | 第37-38页 |
| ·图像预处理和特征提取 | 第38-40页 |
| ·加权One-class SVM算法的3D人脸识别方法 | 第40-42页 |
| ·实验结果及分析 | 第42-44页 |
| ·本章小结 | 第44-45页 |
| 第5章 总结与展望 | 第45-47页 |
| ·总结 | 第45页 |
| ·展望 | 第45-47页 |
| 参考文献 | 第47-51页 |
| 致谢 | 第51页 |
