基于支持向量机的多分类方法研究及应用
| 摘要 | 第1-7页 |
| Abstract | 第7-10页 |
| 第1章 绪论 | 第10-14页 |
| ·数据挖掘简介 | 第10-11页 |
| ·支持向量机研究现状 | 第11-13页 |
| ·本文结构 | 第13-14页 |
| 第2章 统计学习与支持向量机 | 第14-25页 |
| ·统计学习理论 | 第14-17页 |
| ·经验风险最小化 | 第14-15页 |
| ·VC维 | 第15-16页 |
| ·结构风险最小化 | 第16-17页 |
| ·支持向量机理论 | 第17-24页 |
| ·最优超平面 | 第17-20页 |
| ·松弛变量 | 第20-21页 |
| ·核函数 | 第21-23页 |
| ·参数选择 | 第23-24页 |
| ·本章总结 | 第24-25页 |
| 第3章 支持向量机多分类方法研究 | 第25-43页 |
| ·支持向量机多分类方法 | 第25-28页 |
| ·一类对多类(OneVsAll) | 第25-26页 |
| ·一类对一类(OneVsOne) | 第26页 |
| ·二叉树法(BT) | 第26-28页 |
| ·直接非循环图法(DAG) | 第28页 |
| ·基于相对距离的扩充二叉树多分类方法 | 第28-42页 |
| ·相对距离 | 第28-30页 |
| ·扩充二叉树结构 | 第30-33页 |
| ·算法描述 | 第33-34页 |
| ·时间复杂度 | 第34-36页 |
| ·仿真实验 | 第36-42页 |
| ·本章总结 | 第42-43页 |
| 第4章 SVM多分类在人脸朝向识别中的应用 | 第43-51页 |
| ·问题描述 | 第43页 |
| ·实验流程 | 第43-50页 |
| ·结果分析 | 第50页 |
| ·本章总结 | 第50-51页 |
| 总结和展望 | 第51-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 攻读硕士学位期间所发表的论文 | 第56页 |
