基于壳向量的支持向量机快速学习算法研究
| 摘要 | 第1-3页 |
| Abstract | 第3-4页 |
| 目录 | 第4-6页 |
| 第一章 绪论 | 第6-27页 |
| ·统计学习理论与支持向量机 | 第6-18页 |
| ·概述 | 第6-8页 |
| ·国内外研究的历史和现状 | 第8-9页 |
| ·基本概念 | 第9-10页 |
| ·学习问题的表示 | 第10-11页 |
| ·统计学习理论的核心内容 | 第11-13页 |
| ·支持向量机(SVM) | 第13-17页 |
| ·SVM的应用研究 | 第17-18页 |
| ·SVM算法研究现状 | 第18-25页 |
| ·分解算法 | 第19页 |
| ·序贯分类算法 | 第19-20页 |
| ·修改优化问题算法 | 第20-22页 |
| ·增量学习算法 | 第22-23页 |
| ·基于几何思想的 SVM分类算法 | 第23页 |
| ·多类别 SVM分类算法 | 第23-24页 |
| ·现有 SVM算法面临的困难和问题 | 第24-25页 |
| ·本文所做工作的研究意义 | 第25页 |
| ·论文研究内容和全文的体系结构 | 第25-27页 |
| 第二章 基于壳向量的支持向量机快速算法 | 第27-36页 |
| ·引言 | 第27页 |
| ·对支持向量机的几何直观理解 | 第27-29页 |
| ·基于壳向量的 SVM快速算法 | 第29-34页 |
| ·算法的基本思想 | 第29-31页 |
| ·对非线性可分情况的处理 | 第31-32页 |
| ·壳向量的求解算法 | 第32-33页 |
| ·基于壳向量的 SVM快速算法的基本步骤 | 第33页 |
| ·算法的时间复杂性分析 | 第33-34页 |
| ·数据仿真 | 第34-35页 |
| ·仿真结果 | 第34-35页 |
| ·分析与结论 | 第35页 |
| ·本章小结 | 第35-36页 |
| 第三章 基于壳向量的支持向量机快速增量学习算法 | 第36-47页 |
| ·引言 | 第36-37页 |
| ·支持向量机增量学习算法的研究现状 | 第37-38页 |
| ·基于壳向量的支持向量机快速增量学习算法 | 第38-44页 |
| ·标准支持向量机概述 | 第38-39页 |
| ·增量学习过程中的支持向量与壳向量 | 第39-42页 |
| ·增量学习算法的主要步骤 | 第42-43页 |
| ·算法的时间复杂性分析 | 第43-44页 |
| ·数据仿真 | 第44-46页 |
| ·计算结果 | 第44-45页 |
| ·分析与结论 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第四章 壳向量 SVM方法在牌照识别中的应用 | 第47-60页 |
| ·汽车牌照识别系统简介 | 第47-52页 |
| ·研究背景及意义 | 第47-49页 |
| ·汽车牌照识别系统的研究现状 | 第49-52页 |
| ·实验仿真 | 第52-58页 |
| ·预处理 | 第52页 |
| ·分类器设计策略 | 第52-53页 |
| ·基于壳向量的 SVM快速分类算法的应用 | 第53-55页 |
| ·基于壳向量的 SVM增量学习算法的应用 | 第55-57页 |
| ·关于汽车牌照汉字和英文字符的识别 | 第57-58页 |
| ·本章小结 | 第58-60页 |
| 第五章 总结与展望 | 第60-62页 |
| ·论文工作总结 | 第60-61页 |
| ·论文进一步的研究工作展望 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 作者在攻读学位期间发表的论文 | 第67-68页 |
| 致谢 | 第68页 |
