| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 目录 | 第8-11页 |
| 1 引言 | 第11-21页 |
| ·研究背景 | 第11-16页 |
| ·统计机器学习的发展 | 第12-13页 |
| ·机器学习方法 | 第13-14页 |
| ·支持向量机的产生与发展 | 第14-16页 |
| ·支持向量机的应用 | 第16页 |
| ·研究现状 | 第16-17页 |
| ·问题提出及研究意义 | 第17-18页 |
| ·论文的主要工作 | 第18-19页 |
| ·本章小结 | 第19-21页 |
| 2 支持向量机相关知识 | 第21-31页 |
| ·最优化相关 | 第21-22页 |
| ·二次规划 | 第21页 |
| ·对偶问题 | 第21-22页 |
| ·统计学习理论相关 | 第22-24页 |
| ·VC维 | 第22-23页 |
| ·结构风险最小化原则 | 第23-24页 |
| ·支持向量机基本原理 | 第24-30页 |
| ·线性可分问题 | 第24-26页 |
| ·线性不可分问题 | 第26-27页 |
| ·ν-支持向量机 | 第27-29页 |
| ·回归支持向量机 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 3 多类支持向量机 | 第31-39页 |
| ·一对一SVM | 第31-33页 |
| ·一对多SVM | 第33-34页 |
| ·方法介绍 | 第33-34页 |
| ·OVR方法改进 | 第34页 |
| ·有向无环图SVM | 第34-36页 |
| ·二叉树SVM | 第36页 |
| ·本章小结 | 第36-39页 |
| 4 多类SVM方法的改进 | 第39-47页 |
| ·单类SVM介绍 | 第39-42页 |
| ·基于密度的单类SVM | 第39-41页 |
| ·基于边界的单类SVM | 第41-42页 |
| ·多类SVM方法改进 | 第42-45页 |
| ·改进动机和目标 | 第42-43页 |
| ·One Multi Class改进方法 | 第43-44页 |
| ·Unclass_Region_Class改进方法 | 第44-45页 |
| ·本章小结 | 第45-47页 |
| 5 新方法的实现 | 第47-65页 |
| ·libsvm简介 | 第47-48页 |
| ·libsvm的使用 | 第48-50页 |
| ·svm_train的使用 | 第48-49页 |
| ·svm_predict的使用 | 第49-50页 |
| ·svm scale的使用 | 第50页 |
| ·libsvm接口函数介绍 | 第50-52页 |
| ·One_Multi_Class方法的实现 | 第52-58页 |
| ·训练过程实现 | 第53-56页 |
| ·预测过程实现 | 第56-58页 |
| ·Unclass_Region_Class方法的实现 | 第58-63页 |
| ·训练过程实现 | 第59-62页 |
| ·预测过程实现 | 第62-63页 |
| ·本章小结 | 第63-65页 |
| 6 实验及结果分析 | 第65-71页 |
| ·实验方法描述 | 第65-66页 |
| ·One_Multi_Class方法实验与结果分析 | 第66-67页 |
| ·Unclass_Region_Class方法实验与结果分析 | 第67-69页 |
| ·本章小结 | 第69-71页 |
| 7 结论 | 第71-73页 |
| ·研究工作总结 | 第71页 |
| ·进一步研究的考虑 | 第71-73页 |
| 参考文献 | 第73-81页 |
| 学位论文数据集 | 第81页 |
