| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景和意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 主要研究内容与论文组织结构 | 第11-12页 |
| 1.3.1 主要研究内容 | 第11页 |
| 1.3.2 论文组织结构 | 第11-12页 |
| 1.4 本章小结 | 第12-13页 |
| 第2章 基于支持向量的两类分类器和单类分类器 | 第13-19页 |
| 2.1 支持向量机 | 第13-17页 |
| 2.1.1 线性可分支持向量机 | 第13-14页 |
| 2.1.2 线性不可分支持向量机 | 第14-15页 |
| 2.1.3 非线性可分支持向量机 | 第15-17页 |
| 2.2 一类支持向量机 | 第17-18页 |
| 2.3 支持向量数据描述 | 第18页 |
| 2.4 本章小结 | 第18-19页 |
| 第3章 基于改进 AdaBoost 的一类支持向量机集成 | 第19-30页 |
| 3.1 AdaBoost 集成方法的发展 | 第19-21页 |
| 3.1.1 Boosting 集成方法 | 第19-20页 |
| 3.1.2 AdaBoost 集成方法 | 第20-21页 |
| 3.2 改进的 AdaBoost 集成方法 | 第21-22页 |
| 3.3 实验验证 | 第22-28页 |
| 3.3.1 人工数据集 | 第23-25页 |
| 3.3.2 UCI 数据集 | 第25-28页 |
| 3.4 本章小结 | 第28-30页 |
| 第4章 支持向量数据描述选择性集成 | 第30-37页 |
| 4.1 负相关学习 | 第30-31页 |
| 4.2 基于相交相关熵和自相关熵的 NCL | 第31-33页 |
| 4.3 实验验证 | 第33-36页 |
| 4.3.1 人工数据集 | 第33-34页 |
| 4.3.2 UCI 数据集 | 第34-36页 |
| 4.4 本章小结 | 第36-37页 |
| 第5章 总结与展望 | 第37-39页 |
| 5.1 全文总结 | 第37页 |
| 5.2 工作展望 | 第37-39页 |
| 参考文献 | 第39-41页 |
| 致谢 | 第41-42页 |
| 攻读学位期间取得的科研成果 | 第42页 |