| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第7-11页 |
| 1.1 研究背景 | 第7页 |
| 1.2 国内外研究现状 | 第7-8页 |
| 1.2.1 支持向量机的研究现状 | 第7-8页 |
| 1.2.2 线性Bregman算法的研究现状 | 第8页 |
| 1.3 论文主要结构 | 第8-11页 |
| 第2章 支持向量机 | 第11-19页 |
| 2.1 统计学习理论 | 第11-14页 |
| 2.1.1 机器学习问题描述 | 第11-12页 |
| 2.1.2 VC维 | 第12页 |
| 2.1.3 推广性的界 | 第12-13页 |
| 2.1.4 结构风险最小化原则 | 第13-14页 |
| 2.2 支持向量分类机 | 第14-16页 |
| 2.2.1 最优分类超平面 | 第14-15页 |
| 2.2.2 线性可分离支持向量机 | 第15页 |
| 2.2.3 线性不可分离支持向量机 | 第15-16页 |
| 2.3 L_2范数支持向量机 | 第16页 |
| 2.4 L_1范数支持向量机 | 第16-17页 |
| 2.5 双重正则化支持向量机 | 第17-18页 |
| 2.6 本章小结 | 第18-19页 |
| 第3章 线性Bregman算法的全局线性收敛性 | 第19-39页 |
| 3.1 线性Bregman算法 | 第19-21页 |
| 3.2 对偶问题 | 第21-22页 |
| 3.3 预备性 | 第22-28页 |
| 3.4 线性Bregman算法的全局线性收敛性 | 第28-37页 |
| 3.5 数值实验 | 第37-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第4章 双重正则化支持向量机的一种全局线性收敛算法 | 第39-45页 |
| 4.1 双重正则化支持向量机的对偶问题 | 第39-40页 |
| 4.2 线性Bregman算法在双重正则化支持向量机中的应用 | 第40-42页 |
| 4.3 数值试验 | 第42-44页 |
| 4.4 本章小结 | 第44-45页 |
| 结论 | 第45-47页 |
| 参考文献 | 第47-51页 |
| 致谢 | 第51页 |