| 致谢 | 第1-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-10页 |
| 目次 | 第10-13页 |
| 图目录 | 第13-15页 |
| 表目录 | 第15-16页 |
| 第1章 绪论 | 第16-27页 |
| ·课题研究背景 | 第16-17页 |
| ·课题研究意义 | 第17页 |
| ·国内外研究现状 | 第17-24页 |
| ·支持向量机的研究现状 | 第17-20页 |
| ·单分类的研究现状 | 第20-22页 |
| ·单分类支持向量机的研究现状 | 第22-24页 |
| ·本文研究内容及结构安排 | 第24-27页 |
| ·研究内容 | 第24-25页 |
| ·论文组织结构 | 第25-27页 |
| 第2章 单分类支持向量机 | 第27-41页 |
| ·统计学习理论 | 第27-31页 |
| ·经验风险与期望风险最小化 | 第27-28页 |
| ·学习过程的一致性 | 第28-29页 |
| ·VC维和推广性的界 | 第29-30页 |
| ·结构风险最小化 | 第30-31页 |
| ·支持向量机 | 第31-36页 |
| ·最大间隔分类超平面 | 第32-33页 |
| ·最大间隔分类超平面个的求解 | 第33-35页 |
| ·支持向量机算法 | 第35-36页 |
| ·单分类支持向量机 | 第36-41页 |
| ·支持向量数据描述算法 | 第36-38页 |
| ·一类支持向量机算法 | 第38-39页 |
| ·等价条件分析 | 第39-41页 |
| 第3章 基于线性粒子群优化算法的1-SVM学习方法 | 第41-56页 |
| ·粒子群优化算法 | 第42-47页 |
| ·粒子群优化算法原理 | 第42-44页 |
| ·粒子群优化算法的研究现状 | 第44-47页 |
| ·线性粒子群优化算法 | 第47-48页 |
| ·线性粒子群优化算法 | 第47页 |
| ·线性粒子群优化算法的收敛性改进方法 | 第47-48页 |
| ·基于线性粒子群优化算法的1-SVM学习方法 | 第48-50页 |
| ·调整粒子位置的方法 | 第48-49页 |
| ·1-SVM的学习方法步骤 | 第49-50页 |
| ·数值仿真 | 第50-55页 |
| ·人工椭圆数据集实验 | 第50-54页 |
| ·UCI数据集实验 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 第4章 基于随机取样算法的1-SVM快速学习方法 | 第56-67页 |
| ·SVM与随机取样算法 | 第56-57页 |
| ·Clarkson的随机取样算法 | 第57-62页 |
| ·针对SVDD的随机结合定理及其证明 | 第62-64页 |
| ·1-SVM的快速学习方法 | 第64页 |
| ·数值仿真 | 第64-66页 |
| ·本章小结 | 第66-67页 |
| 第5章 基于德尔塔函数的1-SVM增量学习方法 | 第67-79页 |
| ·SVM增量学习 | 第68-70页 |
| ·增量学习 | 第68页 |
| ·SVM的增量学习 | 第68-70页 |
| ·基于德尔塔函数的1-SVM增量学习方法 | 第70-75页 |
| ·OCSVM模型以及几何表示 | 第70-71页 |
| ·德尔塔函数与增量学习 | 第71-73页 |
| ·德尔塔函数的有效求解方法 | 第73-75页 |
| ·数值仿真 | 第75-78页 |
| ·提出的增量学习方法随样本数的变化分析 | 第76-77页 |
| ·不同方法的实验结果比较 | 第77-78页 |
| ·本章小结 | 第78-79页 |
| 第6章 1-SVM在高清车牌识别中的应用 | 第79-90页 |
| ·车牌识别系统 | 第79-81页 |
| ·车牌定位 | 第81-83页 |
| ·车牌字符分割 | 第83-84页 |
| ·车牌字符识别 | 第84-86页 |
| ·车牌字符 | 第84页 |
| ·字符识别过程 | 第84-86页 |
| ·软件系统演示 | 第86-89页 |
| ·本章小结 | 第89-90页 |
| 第7章 总结与展望 | 第90-93页 |
| ·全文工作总结 | 第90-92页 |
| ·工作展望 | 第92-93页 |
| 参考文献 | 第93-107页 |
| 攻读学位期间主要研究成果 | 第107-108页 |
| 作者简历 | 第108页 |