| 摘要 | 第1-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第7-15页 |
| §1．1 引言 | 第7页 |
| §1．2 研究背景和意义 | 第7-9页 |
| 1．2．1 支持向量机的发展历程 | 第7-8页 |
| 1．2．2 选题的意义 | 第8-9页 |
| §1．3 支持向量机的研究及应用现状 | 第9-13页 |
| §1．4 本文的主要研究内容与论文组织 | 第13-15页 |
| 1．4．1 研究内容 | 第13页 |
| 1．4．2 论文的章节组织 | 第13-15页 |
| 第二章 支持向量机的理论基础 | 第15-28页 |
| §2．1 机器学习的基本问题 | 第15-17页 |
| 2．1．1 机器学习问题的数学模型 | 第15-16页 |
| 2．1．2 经验风险最小化 | 第16页 |
| 2．1．3 学习机器的复杂性与泛化性 | 第16-17页 |
| §2．2 统计学习理论的核心内容 | 第17-20页 |
| 2．2．1 统计学习过程一致性的条件 | 第17-18页 |
| 2．2．2 VC维 | 第18-19页 |
| 2．2．3 结构风险最小化 | 第19-20页 |
| §2．3 支持向量机 | 第20-27页 |
| 2．3．1 线性分类器 | 第21页 |
| 2．3．2 最优分类超平面 | 第21-23页 |
| 2．3．3 支持向量机 | 第23页 |
| 2．3．4 核函数 | 第23-26页 |
| 2．3．5 SVM的泛化性能 | 第26-27页 |
| §2．4 本章小结 | 第27-28页 |
| 第三章 支持向量机的算法模型 | 第28-44页 |
| §3．1 SVM中的QP问题 | 第28-35页 |
| 3．1．1 最优化问题概述 | 第28-30页 |
| 3．1．2 SVM中的QP问题的求解 | 第30-34页 |
| 3．1．3 改进的SMO算法 | 第34-35页 |
| §3．2 各种变形SVM算法模型 | 第35-39页 |
| 3．2．1 v-SVM算法 | 第36-37页 |
| 3．2．2 LS-SVM算法 | 第37页 |
| 3．2．3 WSVM(weighted SVM)算法 | 第37-38页 |
| 3．2．4 变形SVM算法的综合分析 | 第38-39页 |
| §3．3 用于多类问题的SVM算法模型 | 第39-40页 |
| 3．3．1 多类分类问题概述 | 第39页 |
| 3．3．2 1-v-1 SVM多类分类算法 | 第39-40页 |
| 3．3．3 1-v-R SVM多类分类算法 | 第40页 |
| §3．4 两种实用的多类分类SVM算法 | 第40-43页 |
| 3．4．1 BT-SVM算法 | 第40-42页 |
| 3．4．2 DAG-SVM算法 | 第42-43页 |
| §3．5 本章小结 | 第43-44页 |
| 第四章 基于支持向量机的分类实验 | 第44-63页 |
| §4．1 纹理图像分析方法概述 | 第44-47页 |
| 4．1．1 纹理的概念 | 第44页 |
| 4．1．2 纹理图像分析的内容 | 第44-45页 |
| 4．1．3 纹理图像分析方法与工具 | 第45-47页 |
| 4．1．4 纹理图像分析中引入SVM方法的依据 | 第47页 |
| §4．2 基于SVM的模拟数据分类实验 | 第47-53页 |
| 4．2．1 模拟实验数据 | 第47-53页 |
| 4．2．2 模拟数据的分类结果及其分析 | 第53页 |
| §4．3 基于SVM的手写体数字识别实验 | 第53-55页 |
| 4．3．1 手写体数字识别概述 | 第53-54页 |
| 4．3．2 USPS手写体数字识别实验 | 第54-55页 |
| §4．4 基于SVM的纹理图像分析实验 | 第55-62页 |
| 4．4．1 Brodatz和KTH TIPS纹理图像简介 | 第55-56页 |
| 4．4．2 问题的描述 | 第56-57页 |
| 4．4．3 SVM学习性能测试 | 第57-60页 |
| 4．4．4 实验结果分析 | 第60-62页 |
| §4．5 本章小结 | 第62-63页 |
| 第五章 总结与展望 | 第63-65页 |
| §5．1 本文工作总结 | 第63-64页 |
| §5．2 进一步的工作展望 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 致谢 | 第68页 |