支持向量机多类分类算法的研究及应用
| 第一章绪论 | 第1-13页 |
| 1-1机器学习的发展历史与现状 | 第7-8页 |
| 1-2统计学习理论的核心内容 | 第8-10页 |
| 1-2-1VC维 | 第8-9页 |
| 1-2-2推广误差边界 | 第9页 |
| 1-2-3结构风险最小化归纳原则 | 第9-10页 |
| 1-3支持向量机算法的发展历史和现状 | 第10-11页 |
| 1-4支持向量机理论的主要研究内容 | 第11页 |
| 1-5本论文的主要工作和全文结构 | 第11-13页 |
| 第二章基于SVM理论的二值分类 | 第13-27页 |
| 2-1支持向量机基本方法 | 第13-17页 |
| 2-1-1线性支持向量机 | 第13-15页 |
| 2-1-2非线性支持向量机 | 第15-17页 |
| 2-2各种改进的支持向量机算法 | 第17-25页 |
| 2-2-1C-SVM算法及其变形算法 | 第17-19页 |
| 2-2-2ν-SVM算法及其变形算法 | 第19-20页 |
| 2-2-3One-classSVM算法 | 第20-21页 |
| 2-2-4RSVM算法 | 第21-23页 |
| 2-2-5WSVM(weightedSVM)算法 | 第23-24页 |
| 2-2-6LS-SVM算法 | 第24-25页 |
| 2-3各种改进的支持向量机算法的比较 | 第25-26页 |
| 2-4小结 | 第26-27页 |
| 第三章支持向量机多类分类算法 | 第27-36页 |
| 3-1基于SVMs的多类分类器的构造方法 | 第27-33页 |
| 3-1-1“一对多”方法 | 第27-28页 |
| 3-1-2“一对一”方法 | 第28-29页 |
| 3-1-3一次性求解方法 | 第29-30页 |
| 3-1-4决策有向无环图 | 第30-31页 |
| 3-1-5基于二叉树的多类支持向量机分类方法 | 第31-32页 |
| 3-1-6多级支持向量机方法 | 第32页 |
| 3-1-7其他求解多类别的方法 | 第32-33页 |
| 3-2实验与总结 | 第33-36页 |
| 3-2-1实验 | 第33-34页 |
| 3-2-2总结 | 第34-36页 |
| 第四章超球面分类算法 | 第36-45页 |
| 4-1超球面分类算法及研究现状 | 第36-41页 |
| 4-1-1超球面分类算法介绍 | 第36-37页 |
| 4-1-2超球面算法推广能力的研究 | 第37-41页 |
| 4-1-3超球面算法推广能力的验证 | 第41页 |
| 4-2构建超球面支持向量机多类分类器 | 第41-43页 |
| 4-3实验与结果分析 | 第43-45页 |
| 4-3-1数据准备 | 第43页 |
| 4-3-2结果分析 | 第43-45页 |
| 第五章结论与展望 | 第45-46页 |
| 参考文献 | 第46-49页 |
| 致谢 | 第49-50页 |
| 攻读学位期间所取得的相关科研成果 | 第50页 |
