线性可分支持向量机的算法及应用
| 中文摘要 | 第4-5页 |
| 英文摘要 | 第5页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究的背景及意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 支持向量机的产生和发展 | 第11-13页 |
| 1.2.2 支持向量机模型的研究现状 | 第13页 |
| 1.2.3 支持向量机在运用方面研究现状 | 第13-14页 |
| 1.3 论文的主要内容,研究思路和创新之处 | 第14-16页 |
| 1.3.1 本文的主要研究内容 | 第14页 |
| 1.3.2 本文的研究思路 | 第14-15页 |
| 1.3.3 本文的创新之处 | 第15-16页 |
| 2 线性可分支持向量机的基本原理 | 第16-20页 |
| 2.1 函数间隔与几何间隔 | 第16-17页 |
| 2.2 线性可分支持向量机 | 第17-18页 |
| 2.3 线性可分支持向量机的凸二次规划模型 | 第18-19页 |
| 2.4 支持向量与间隔边界 | 第19页 |
| 2.5 本章小结 | 第19-20页 |
| 3 大样本训练数据的支持向量机 | 第20-32页 |
| 3.1 随机分组的方法和步骤 | 第20-21页 |
| 3.2 分组训练算法 | 第21页 |
| 3.3 仿真实验 | 第21-31页 |
| 3.3.1 实验测试1：棉花叶片与杂草叶片的识别 | 第21-27页 |
| 3.3.2 实验2：模拟数据检验 | 第27-31页 |
| 3.4 本章小结 | 第31-32页 |
| 4 支持向量机的迭代算法 | 第32-36页 |
| 4.1 感知机迭代算法的原始形式 | 第32-33页 |
| 4.2 支持向量机的感知机迭代算法 | 第33-34页 |
| 4.3 数据检验 | 第34-35页 |
| 4.4 本章小结 | 第35-36页 |
| 5 总结与展望 | 第36-37页 |
| 5.1 总结 | 第36页 |
| 5.2 展望 | 第36-37页 |
| 参考文献 | 第37-40页 |
| 附录A | 第40-41页 |
| 致谢 | 第41-42页 |
