| 摘要 | 第11-13页 |
| ABSTRACT | 第13-15页 |
| 第1章 绪论 | 第16-32页 |
| 1.1 研究背景 | 第16-18页 |
| 1.2 支持向量机 | 第18-23页 |
| 1.2.1 硬间隔SVM | 第18-20页 |
| 1.2.2 软间隔SVM | 第20-22页 |
| 1.2.3 非线性可分SVM | 第22-23页 |
| 1.3 SVM的优化算法 | 第23-24页 |
| 1.4 SVM的最新研究 | 第24-27页 |
| 1.4.1 孪生SVM | 第24-25页 |
| 1.4.2 基于散布估计的SVM | 第25-26页 |
| 1.4.3 粒度SVM | 第26-27页 |
| 1.5 统计理论相关概念 | 第27-29页 |
| 1.5.1 VC维 | 第27页 |
| 1.5.2 经验风险与结构风险 | 第27-28页 |
| 1.5.3 结构风险最小化原则 | 第28-29页 |
| 1.6 研究目的、意义及主要工作 | 第29-32页 |
| 1.6.1 研究目的及意义 | 第29页 |
| 1.6.2 主要工作 | 第29-30页 |
| 1.6.3 章节安排 | 第30-32页 |
| 第2章 多核学习方法 | 第32-44页 |
| 2.1 引言 | 第32页 |
| 2.2 核方法 | 第32-35页 |
| 2.2.1 核函数的构造 | 第33-34页 |
| 2.2.2 再生属性和表示理论 | 第34页 |
| 2.2.3 常用核函数 | 第34-35页 |
| 2.2.4 Gram矩阵 | 第35页 |
| 2.3 多核学习及优化策略 | 第35-42页 |
| 2.3.1 基本核函数的合成 | 第36-37页 |
| 2.3.2 基于相似性度量的多核学习 | 第37-39页 |
| 2.3.3 基于结构风险最小化的多核学习 | 第39-42页 |
| 2.3.4 启发式多核学习 | 第42页 |
| 2.3.5 Boosting集成方法 | 第42页 |
| 2.4 本章小结 | 第42-44页 |
| 第3章 基于原问题求解的非稀疏多核学习 | 第44-65页 |
| 3.1 引言 | 第44-45页 |
| 3.2 多核学习的原问题 | 第45-47页 |
| 3.3 拟牛顿法SUBLBFGS | 第47-50页 |
| 3.3.1 拟牛顿法 | 第47-48页 |
| 3.3.2 subLBFGS算法 | 第48-50页 |
| 3.4 QN-MKL算法设计 | 第50-54页 |
| 3.4.1 优化α | 第51-52页 |
| 3.4.2 优化组合系数θ | 第52-53页 |
| 3.4.3 算法描述 | 第53-54页 |
| 3.4.4 时间复杂度分析 | 第54页 |
| 3.5 实验分析 | 第54-64页 |
| 3.5.1 数据集 | 第54-55页 |
| 3.5.2 参数设置 | 第55页 |
| 3.5.3 性能比较 | 第55-59页 |
| 3.5.4 P对泛化性能的影响 | 第59页 |
| 3.5.5 训练时间比较 | 第59-60页 |
| 3.5.6 组合系数θ的收敛趋势 | 第60-62页 |
| 3.5.7 λ对分类性能的影响 | 第62-63页 |
| 3.5.8 P对组合系数θ的影响 | 第63-64页 |
| 3.5.9 基本核的可扩展性 | 第64页 |
| 3.6 本章小结 | 第64-65页 |
| 第4章 非稀疏多核半监督支持向量机 | 第65-84页 |
| 4.1 引言 | 第65-66页 |
| 4.2 半监督SVM的基本问题 | 第66-67页 |
| 4.3 半监督SVM的优化 | 第67-70页 |
| 4.3.1 局部组合搜索法S~3VM~(light) | 第68页 |
| 4.3.2 凹凸法TSVM~(CCCP) | 第68-69页 |
| 4.3.3 LapSVM | 第69-70页 |
| 4.4 非稀疏多核半监督支持向量机 | 第70-76页 |
| 4.4.1 目标函数 | 第70-72页 |
| 4.4.2 求解f_m | 第72-74页 |
| 4.4.3 求解θ_m | 第74-75页 |
| 4.4.4 算法描述 | 第75-76页 |
| 4.4.5 时间复杂度分析 | 第76页 |
| 4.5 实验分析 | 第76-82页 |
| 4.5.1 数据集 | 第77-78页 |
| 4.5.2 实验设置 | 第78-79页 |
| 4.5.3 Transductive实验 | 第79-81页 |
| 4.5.4 Inductive实验 | 第81-82页 |
| 4.6 本章小结 | 第82-84页 |
| 第5章 非稀疏多核支持向量回归 | 第84-98页 |
| 5.1 引言 | 第84页 |
| 5.2 SVR简介 | 第84-87页 |
| 5.2.1 LSSVR | 第85页 |
| 5.2.2 ε-SVR | 第85-86页 |
| 5.2.3 v-SVR | 第86-87页 |
| 5.3 非稀疏多核SVR | 第87-88页 |
| 5.4 优化目标函数 | 第88-91页 |
| 5.5 实验分析 | 第91-96页 |
| 5.5.1 实验设置 | 第91页 |
| 5.5.2 人工数据集上的实验 | 第91-93页 |
| 5.5.3 真实数据集上的实验 | 第93-95页 |
| 5.5.4 不同范数约束P对泛化性能的影响 | 第95-96页 |
| 5.6 本章小结 | 第96-98页 |
| 第6章 基于BOOSTING框架的非稀疏多核学习 | 第98-106页 |
| 6.1 引言 | 第98-99页 |
| 6.2 基于BOOSTING框架的非稀疏多核学习方法 | 第99-101页 |
| 6.2.1 算法描述 | 第99-101页 |
| 6.2.2 强分类器的表示 | 第101页 |
| 6.2.3 时间复杂度分析 | 第101页 |
| 6.3 实验分析 | 第101-105页 |
| 6.3.1 实验设置 | 第102页 |
| 6.3.2 性能比较 | 第102-103页 |
| 6.3.3 迭代次数T对分类精度的影响 | 第103-104页 |
| 6.3.4 迭代次数与非0系数核个数之间的关系 | 第104-105页 |
| 6.4 本章小结 | 第105-106页 |
| 第7章 总结与展望 | 第106-110页 |
| 7.1 总结 | 第106-107页 |
| 7.2 研究展望 | 第107-110页 |
| 参考文献 | 第110-124页 |
| 攻读博士学位期间的科研成果 | 第124-126页 |
| 致谢 | 第126页 |