大规模数据集的数据域描述及样本约减研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 引言 | 第8-10页 |
| 1.2 本课题意义及研究现状 | 第10-12页 |
| 1.3 研究内容与章节安排 | 第12-13页 |
| 第二章 支持向量机相关理论 | 第13-19页 |
| 2.1 支持向量机基本原理 | 第13-14页 |
| 2.2 最优分类面 | 第14-15页 |
| 2.3 线性支持向量机 | 第15-16页 |
| 2.4 非线性支持向量机 | 第16-18页 |
| 2.5 本章小结 | 第18-19页 |
| 第三章 大规模数据集的数据域描述 | 第19-32页 |
| 3.1 支持向量域描述及其分类超平面的构建 | 第19-27页 |
| 3.1.1 支持向量域描述的基本原理 | 第19-23页 |
| 3.1.2 支持向量域分类超平面（SVDCH） | 第23-27页 |
| 3.2 大规模数据集的样本体超球描述 | 第27-31页 |
| 3.2.1 最大包含球 | 第27-29页 |
| 3.2.2 最小覆盖球 | 第29-30页 |
| 3.2.3 样本体超球算法描述 | 第30-31页 |
| 3.3 本章小结 | 第31-32页 |
| 第四章 基于样本约减的支持向量域分类面算法 | 第32-40页 |
| 4.1 训练样本集的约减方法 | 第32-33页 |
| 4.1.1 SVM 训练样本集的约减 | 第32-33页 |
| 4.1.2 SVDD 训练样本集的约减 | 第33页 |
| 4.2 约减支持向量域分类超平面 R-SVDCH | 第33-37页 |
| 4.2.1 约减支持向量域描述 RSVDD | 第33-35页 |
| 4.2.2 基于向量夹角的样本约减 | 第35-36页 |
| 4.2.3 R-SVDCH 算法描述 | 第36-37页 |
| 4.3 实验仿真与分析 | 第37-39页 |
| 4.4 本章小结 | 第39-40页 |
| 第五章 总结与展望 | 第40-41页 |
| 5.1 总结 | 第40页 |
| 5.2 展望 | 第40-41页 |
| 参考文献 | 第41-45页 |
| 致谢 | 第45-46页 |
| 附录 攻读硕士学位期间发表的论文 | 第46-47页 |
| 详细摘要 | 第47-51页 |
