支持向量机加速方法及应用研究
| 摘要 | 第1-7页 |
| Abstract | 第7-9页 |
| 目录 | 第9-12页 |
| 缩写词汇表 | 第12-14页 |
| 符号表 | 第14-15页 |
| 插图目录 | 第15-17页 |
| 附表目录 | 第17-18页 |
| 第1章 绪论 | 第18-32页 |
| ·机器学习的发展历史与支持向量机的诞生 | 第18-22页 |
| ·第一个学习机器的创立 | 第18-19页 |
| ·统计学习理论的基础的建立 | 第19-20页 |
| ·神经网络的创立 | 第20-21页 |
| ·支持向量机的诞生 | 第21-22页 |
| ·支持向量机相关研究现状 | 第22-28页 |
| ·SVM理论方面的研究 | 第22-24页 |
| ·SVM算法研究 | 第24-28页 |
| ·SVM的应用研究 | 第28页 |
| ·本文的研究内容和意义 | 第28-30页 |
| ·全文内容安排 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第2章 统计学习理论和支持向量机概述 | 第32-50页 |
| ·引言 | 第32页 |
| ·机器学习的基本方法 | 第32-33页 |
| ·学习问题的一般表示 | 第33-36页 |
| ·经验风险最小化原则 | 第34-35页 |
| ·模型的复杂度与推广能力 | 第35-36页 |
| ·统计学习理论的基本思想 | 第36-39页 |
| ·学习过程的一致性 | 第36-37页 |
| ·VC维 | 第37页 |
| ·泛化误差的界 | 第37-38页 |
| ·结构风险最小化原则 | 第38-39页 |
| ·支持向量机 | 第39-49页 |
| ·最优分类超平面 | 第39-41页 |
| ·硬间隔线性支持向量机 | 第41-43页 |
| ·软间隔线性支持向量机 | 第43-44页 |
| ·非线性支持向量机 | 第44-46页 |
| ·支持向量回归机 | 第46-47页 |
| ·线性支持向量回归机 | 第47-48页 |
| ·非线性支持向量回归机 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第3章 支持向量回归机多样本在线训练算法 | 第50-66页 |
| ·引言 | 第50-52页 |
| ·支持向量回归机 | 第52-55页 |
| ·基于多样本的在线训练算法 | 第55-61页 |
| ·逆矩阵的高效求法 | 第60-61页 |
| ·实验结果 | 第61-64页 |
| ·本章小结 | 第64-66页 |
| 第4章 支持向量机的硬件实现 | 第66-112页 |
| ·引言 | 第66-67页 |
| ·支持向量机分类器 | 第67-69页 |
| ·SMO算法 | 第69-79页 |
| ·解析法求解QP问题 | 第71-73页 |
| ·改进的工作集选择方法 | 第73-76页 |
| ·缓存 | 第76页 |
| ·SMO算法伪代码 | 第76-78页 |
| ·SMO算法分析 | 第78-79页 |
| ·可扩展SVM硬件架构 | 第79-83页 |
| ·硬件设计 | 第83-92页 |
| ·设计工具 | 第83-85页 |
| ·模块结构框图 | 第85-92页 |
| ·实验结果 | 第92-96页 |
| ·基于Sonar数据集的实验 | 第92-93页 |
| ·在信道均衡问题中的应用 | 第93-96页 |
| ·几种SVM硬件实现方案的比较 | 第96-97页 |
| ·基于MapReduce模型的SVM硬件实现方法 | 第97-110页 |
| ·MapReduce模型 | 第97-100页 |
| ·基于MapReduce模型的SVM算法映射 | 第100-102页 |
| ·硬件设计 | 第102-106页 |
| ·实验结果 | 第106-110页 |
| ·本章小结 | 第110-112页 |
| 第5章 基于SVM和GA的版图光刻热点检测 | 第112-134页 |
| ·引言 | 第112-113页 |
| ·基于支持向量机的光刻热点检测 | 第113-116页 |
| ·基本检测流程 | 第114-115页 |
| ·效率和精度的优化 | 第115-116页 |
| ·基于DCT的特征提取方法 | 第116-118页 |
| ·特征选择 | 第118-120页 |
| ·基于遗传算法的特征选择和参数优化方法 | 第120-126页 |
| ·遗传算法的基本思想 | 第120-121页 |
| ·多目标优化问题 | 第121-122页 |
| ·多目标GA | 第122-124页 |
| ·问题的编码 | 第124-125页 |
| ·基于SVM和GA的光刻热点检测流程 | 第125-126页 |
| ·实验结果 | 第126-133页 |
| ·实验数据 | 第126-128页 |
| ·基于多目标遗传算法优化的结果 | 第128-130页 |
| ·光刻热点检测的性能及对比 | 第130-133页 |
| ·本章小结 | 第133-134页 |
| 第6章 总结和展望 | 第134-140页 |
| ·全文总结 | 第134-135页 |
| ·本文研究工作的创新点 | 第135-136页 |
| ·后续工作展望 | 第136-140页 |
| 参考文献 | 第140-150页 |
| 作者简历 | 第150-152页 |
| 致谢 | 第152页 |
