SVM自适应核设计
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-15页 |
| ·人工智能机器学习及其发展 | 第7-9页 |
| ·机器学习问题 | 第7页 |
| ·机器学习的发展 | 第7-8页 |
| ·机器学习的实现方法 | 第8-9页 |
| ·支持向量机及核函数相关研究 | 第9-13页 |
| ·支持向量机待解决的问题 | 第9-10页 |
| ·核函数方法研究现状 | 第10-13页 |
| ·本方所做的工作及相关章节的介绍 | 第13-15页 |
| 第二章 统计学习理论及支持向量机 | 第15-25页 |
| ·机器学习的基本问题 | 第15-17页 |
| ·问题的表示 | 第15-16页 |
| ·经验风险最小化 | 第16页 |
| ·复杂性和泛化性能 | 第16-17页 |
| ·统计学习理论 | 第17-19页 |
| ·VC 维(函数的多样性) | 第17-18页 |
| ·泛化性的界 | 第18页 |
| ·结构风险最小化 | 第18-19页 |
| ·支持向量机 | 第19-25页 |
| ·线性可分的SVM | 第19-20页 |
| ·线性最优分类面的SVM | 第20-21页 |
| ·线性广义最优分类面的SVM | 第21-23页 |
| ·非线性可分的SVM | 第23-25页 |
| 第三章 核方法及核空间几何分析 | 第25-34页 |
| ·核方法 | 第25-29页 |
| ·核的性质 | 第25页 |
| ·核的分类 | 第25-28页 |
| ·核函数方法的特点 | 第28页 |
| ·核函数方法实施步骤 | 第28-29页 |
| ·映射空间几何分析 | 第29-34页 |
| ·黎曼几何概述 | 第29页 |
| ·核映射 | 第29-30页 |
| ·平滑假设 | 第30页 |
| ·测量S 上的距离 | 第30-31页 |
| ·从核到我们的张量矩阵 | 第31-32页 |
| ·对于内积核 | 第32页 |
| ·体积元素 | 第32-34页 |
| 第四章 基于关键点放大的自适应核分析 | 第34-52页 |
| ·高维投影下黎曼度量分析 | 第34页 |
| ·高斯核的黎曼度量分析 | 第34-35页 |
| ·几种自适应核的分类分析 | 第35-46页 |
| ·基于全体支持向量自适应核 | 第37-39页 |
| ·基于非标准面支持向量自适应核 | 第39-41页 |
| ·基于错分点自适应核 | 第41-43页 |
| ·宽度分析 | 第43-44页 |
| ·基于周边密集度自适应核 | 第44-46页 |
| ·数据分析及结论 | 第46-48页 |
| ·实验数据分析 | 第46-47页 |
| ·支持向量变少 | 第47页 |
| ·空间测度分析 | 第47-48页 |
| ·智能核算法及仿真分析 | 第48-52页 |
| 第五章 总结与展望 | 第52-53页 |
| ·论文总结 | 第52页 |
| ·下一步工作的展望 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 致谢 | 第56-57页 |
| 详细摘要 | 第57-61页 |
