| 内容提要 | 第1-7页 |
| 第一章 绪论 | 第7-11页 |
| ·研究目的与意义 | 第7-8页 |
| ·研究的内容及贡献 | 第8-11页 |
| 第二章 支持向量机理论 | 第11-27页 |
| ·机器学习 | 第11-16页 |
| ·机器学习的发展历史 | 第11-13页 |
| ·机器学习的基本问题 | 第13-16页 |
| ·统计学习理论 | 第16-19页 |
| ·支持向量机 | 第19-23页 |
| ·线性支持向量机 | 第19-21页 |
| ·非线性支持向量机 | 第21-23页 |
| ·支持向量机的优点 | 第23页 |
| ·SVM 的研究现状 | 第23-25页 |
| ·SVM 算法方面的研究 | 第24-25页 |
| ·SVM 应用方面的研究 | 第25页 |
| ·本章小结 | 第25-27页 |
| 第三章 基于黎曼度量和相似性度量的核函数 | 第27-36页 |
| ·引言 | 第27页 |
| ·相似性度量 | 第27-29页 |
| ·黎曼度量 | 第29-31页 |
| ·核函数构造 | 第31-32页 |
| ·数值试验 | 第32-35页 |
| ·本章小结 | 第35-36页 |
| 第四章 基于SSOR-PCG 的LS-SVM 学习算法 | 第36-48页 |
| ·引言 | 第36-37页 |
| ·LS-SVM 算法 | 第37-38页 |
| ·SSOR-PCG 算法 | 第38-44页 |
| ·系数矩阵的性质 | 第39-40页 |
| ·SSOR-PCG 算法 | 第40-44页 |
| ·数值实验 | 第44-47页 |
| ·人工数据集实验 | 第44-46页 |
| ·UCI 数据集实验 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第五章 一类υ-SVM 改进算法 | 第48-70页 |
| ·一类分类问题 | 第48-55页 |
| ·一类分类器可解决的问题 | 第48-49页 |
| ·一类分类与两类分类的关系 | 第49-51页 |
| ·一类分类问题常用的处理方法 | 第51页 |
| ·一类支持向量机 | 第51-55页 |
| ·半监督学习 | 第55-58页 |
| ·半监督学习的定义 | 第55-56页 |
| ·无类标样本的作用 | 第56页 |
| ·半监督学习常用算法 | 第56-58页 |
| ·带非目标类样本的一类υ-SVM 算法 | 第58-60页 |
| ·原形式下的半监督一类υ-SVM | 第60-64页 |
| ·半监督一类υ-SVM 原形式下的的构造 | 第60-61页 |
| ·半监督一类υ-SVM 原形式下的求解 | 第61-64页 |
| ·数值实验 | 第64-69页 |
| ·人工数据 | 第64-66页 |
| ·个人信用评估 | 第66-69页 |
| ·本章小结 | 第69-70页 |
| 第六章 基于特征处理的SVM 应用 | 第70-90页 |
| ·引言 | 第70-71页 |
| ·特征选择和特征提取概述 | 第71-75页 |
| ·特征选择和特征提取的概念及意义 | 第71-72页 |
| ·特征选择和特征提取的基本方法 | 第72-75页 |
| ·混合特征处理方法 | 第75-77页 |
| ·应用 | 第77-85页 |
| ·药品成分分析 | 第77-80页 |
| ·肿瘤性质诊断 | 第80-85页 |
| ·本章小结 | 第85-90页 |
| 第七章 结论与展望 | 第90-95页 |
| ·全文总结 | 第90-92页 |
| ·研究展望 | 第92-95页 |
| 参考文献 | 第95-105页 |
| 攻读博士学位期间发表的论文及其他成果 | 第105-106页 |
| 中文摘要 | 第106-110页 |
| Abstract | 第110-115页 |
| 致谢 | 第115页 |