| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第一章 绪论 | 第9-17页 |
| ·论文研究背景 | 第9-10页 |
| ·统计学习理论 | 第10-13页 |
| ·经验风险最小化原则 | 第10-11页 |
| ·结构风险最小化原则与VC维 | 第11-13页 |
| ·支持向量机研究现状与应用 | 第13-15页 |
| ·支持向量机研究现状 | 第13-14页 |
| ·支持向量机的应用 | 第14-15页 |
| ·本文的主要工作及内容安排 | 第15-17页 |
| 第二章 支持向量机算法简介 | 第17-31页 |
| ·支持向量分类 | 第17-20页 |
| ·线性可分支持向量机 | 第17-19页 |
| ·非线性分类支持向量机 | 第19-20页 |
| ·支持向量回归 | 第20-22页 |
| ·各种支持向量机算法 | 第22-28页 |
| ·C-SVM算法 | 第22-24页 |
| ·BSVM算法 | 第24页 |
| ·ν-SVM算法 | 第24-25页 |
| ·One-class SVM算法 | 第25-26页 |
| ·RSVM算法 | 第26-27页 |
| ·LS-SVM算法 | 第27-28页 |
| ·各种支持向量算法的比较与总结 | 第28-29页 |
| ·小结 | 第29-31页 |
| 第三章 核函数的改进与应用研究 | 第31-39页 |
| ·核函数方法简介 | 第31-32页 |
| ·核函数的定义 | 第31-32页 |
| ·核函数的构造 | 第32页 |
| ·几何学方法提高核函数效果 | 第32-34页 |
| ·基于放大因子的核函数构造方法 | 第34-36页 |
| ·高斯(RBF)核函数 | 第34-35页 |
| ·内积核函数 | 第35页 |
| ·核函数保角变换 | 第35-36页 |
| ·参数的选择 | 第36-37页 |
| ·κ的选择 | 第36页 |
| ·D(x)的选择 | 第36-37页 |
| ·仿真实验 | 第37-38页 |
| ·小结 | 第38-39页 |
| 第四章 基于FISHER判别率的支持向量机回归算法的研究 | 第39-51页 |
| ·用于分类的MCVSVM算法 | 第39-42页 |
| ·问题描述 | 第39页 |
| ·Fisher判别分析 | 第39-40页 |
| ·MCVSVM算法 | 第40-41页 |
| ·小结 | 第41-42页 |
| ·基于Fisher判别率的支持向量机回归算法 | 第42-51页 |
| ·基于Fisher判别率的线性软间隔支持向量机回归算法 | 第42-44页 |
| ·非线性问题的求解方法 | 第44-48页 |
| ·改进后算法与原算法的关系 | 第48页 |
| ·仿真实验 | 第48-50页 |
| ·小结 | 第50-51页 |
| 第五章 增量支持向量机回归算法的研究 | 第51-61页 |
| ·增量支持向量机基本算法 | 第51-55页 |
| ·支持向量机回归和KKT条件 | 第51-53页 |
| ·添加新样本的递增算法 | 第53-55页 |
| ·新的增量学习算法 | 第55-56页 |
| ·新的增量算法中的参数优化 | 第56-59页 |
| ·摄动参数的调整 | 第56-58页 |
| ·核参数的调整 | 第58-59页 |
| ·仿真实验 | 第59页 |
| ·小结 | 第59-61页 |
| 第六章 结论与展望 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 致谢 | 第69页 |