| 主要符号对照表 | 第1-9页 |
| 第一章 从神经网络到支持向量机 | 第9-25页 |
| 1．1 学习问题研究的四个阶段 | 第9-17页 |
| 1．1．1 Rosenblatt的感知器(60年代) | 第9-10页 |
| 1．1．2 学习理论基础的创立(60-70年代) | 第10-14页 |
| 1．1．2．1 学习问题的一般表示 | 第11页 |
| 1．1．2．2 经验风险最小化理论(ERM) | 第11-12页 |
| 1．1．2．3 结构风险最小化原则(SRM) | 第12-14页 |
| 1．1．3 神经网络(80年代) | 第14-16页 |
| 1．1．3．1 后向传播方法 | 第15页 |
| 1．1．3．2 后向传播算法 | 第15-16页 |
| 1．1．3．3 关于后向传播方法的讨论 | 第16页 |
| 1．1．4 神经网络的替代方法(90年代) | 第16-17页 |
| 1．2 支持向量机基本思想 | 第17-25页 |
| 1．2．1 最优分类超平面 | 第17-19页 |
| 1．2．2 构造最优分类超平面 | 第19-21页 |
| 1．2．3 不可分情况的推广 | 第21-22页 |
| 1．2．4 核函数 | 第22-25页 |
| 第二章 支持向量机训练算法综述 | 第25-31页 |
| 2．1 分解方法 | 第25-26页 |
| 2．2 修正二次规划问题算法 | 第26-28页 |
| 2．3 几何方法 | 第28页 |
| 2．4 多类SVM算法 | 第28-29页 |
| 2．4．1 一对多方法(one—against—the—rest) | 第28页 |
| 2．4．2 一对一方法(one—against—one) | 第28-29页 |
| 2．4．3 多类SVM(Multi—class Objective Functions) | 第29页 |
| 2．5 在线训练算法 | 第29-31页 |
| 第三章 自适应参数的AOSVR算法及其在股票预测中的应用 | 第31-41页 |
| 3．1 问题的提出 | 第31-32页 |
| 3．2 AOSVR基本思想 | 第32-34页 |
| 3．3 AOSVR下参数的自适应选择 | 第34页 |
| 3．4 股票预测中应用AOSVR的“忘记”阈值 | 第34-35页 |
| 3．5 自适应参数的AOSVR在股票预测中的应用 | 第35-39页 |
| 3．6 结论 | 第39-41页 |
| 第四章 结束语 | 第41-42页 |
| 参考文献 | 第42-45页 |
| 附录A 函数集的VC维 | 第45-46页 |
| 附录B 已知的神经网络 | 第46-49页 |
| 致谢 | 第49-50页 |
| 攻读硕士学位期间发表学术论文情况 | 第50-51页 |
| 大连理工大学学位论文版权使用授权书 | 第51页 |
