改进支持向量机算法及其在图像分割中的应用
| 摘要 | 第1-3页 |
| Abstract | 第3-9页 |
| 第1章 绪论 | 第9-18页 |
| ·论文研究的目的和意义 | 第9-10页 |
| ·支持向量机 | 第10-12页 |
| ·统计学习理论及支持向量机概述 | 第10页 |
| ·支持向量机算法的研究进展及其应用 | 第10-12页 |
| ·图像分割 | 第12-16页 |
| ·图像分割概述 | 第12-13页 |
| ·图像分割的研究进展及其应用 | 第13-16页 |
| ·本文的主要工作 | 第16页 |
| ·本文的组织结构 | 第16-18页 |
| 第2章 支持向量机算法概述 | 第18-35页 |
| ·统计学习理论 | 第18-22页 |
| ·统计学习理论的核心内容 | 第18-19页 |
| ·学习过程一致性的条件 | 第19-20页 |
| ·VC 维 | 第20页 |
| ·推广性的界 | 第20-21页 |
| ·结构风险最小化 | 第21-22页 |
| ·支持向量机理论 | 第22-27页 |
| ·线性支持向量机 | 第22-24页 |
| ·非线性支持向量机 | 第24-25页 |
| ·支持向量机模型的选择 | 第25-26页 |
| ·支持向量机理论的主要研究内容 | 第26-27页 |
| ·支持向量机的变形算法 | 第27-33页 |
| ·C -SVM 算法 | 第27-28页 |
| ·v -SVM 算法 | 第28页 |
| ·One-class SVM 算法 | 第28-29页 |
| ·WSVM 算法 | 第29页 |
| ·最小二乘SVM 算法(LS-SVM) | 第29-30页 |
| ·RSVM 算法 | 第30页 |
| ·基于组合的支持向量机算法 | 第30页 |
| ·基于多类问题的支持向量机算法 | 第30-33页 |
| ·支持向量机方法的特点 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第3章 改进的模糊支持向量机算法及其应用 | 第35-44页 |
| ·粗糙集理论预处理方法 | 第35-36页 |
| ·RS 知识约简方法 | 第35-36页 |
| ·属性约简算法的实现 | 第36页 |
| ·模糊支持向量机[FSVM] | 第36-42页 |
| ·FSVM 基本思想 | 第37-39页 |
| ·隶属度函数的改进 | 第39-41页 |
| ·结合三叉决策树的FSVM 多分类算法 | 第41-42页 |
| ·实验结果及分析 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第4章 改进支持向量机算法在图像分割中的应用 | 第44-59页 |
| ·图像分割 | 第44-47页 |
| ·图像分割的定义 | 第44-45页 |
| ·图像分割的技术分类 | 第45-47页 |
| ·基于层次聚类LS-SVM 算法的图像分割方法 | 第47-51页 |
| ·最小二乘支持向量机(LS-SVM) | 第47页 |
| ·LS-SVM 的稀疏化 | 第47页 |
| ·层次聚类LS-SVM 算法 | 第47-48页 |
| ·实验结果及分析 | 第48-51页 |
| ·基于模糊支持向量机的多类图像分割方法 | 第51-58页 |
| ·模糊C 均值聚类算法确定样本隶属度与类别 | 第51-52页 |
| ·粒子群优化算法(PSO) | 第52-54页 |
| ·PSO_FCM 算法确定样本隶属度与类别 | 第54-55页 |
| ·实验结果及分析 | 第55-58页 |
| ·本章小结 | 第58-59页 |
| 总结与展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间发表的学术论文 | 第65-66页 |
| 致谢 | 第66-67页 |
| 详细摘要 | 第67-71页 |
