| 摘要 | 第7-8页 |
| Abstract | 第8页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题背景及研究意义 | 第9-10页 |
| 1.2 统计学习理论 | 第10-12页 |
| 1.2.1 统计学习理论概述 | 第10-11页 |
| 1.2.2 VC维 | 第11-12页 |
| 1.2.3 结构风险最小化 | 第12页 |
| 1.3 核函数方法 | 第12-13页 |
| 1.4 本文组织结构 | 第13-15页 |
| 第2章 支持向量机理论 | 第15-28页 |
| 2.1 支持向量机 | 第15-22页 |
| 2.1.1 最优分类超平面 | 第15-17页 |
| 2.1.2 线性支持向量机 | 第17-21页 |
| 2.1.3 非线性支持向量机 | 第21-22页 |
| 2.2 支持向量机的SMO训练算法 | 第22-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第3章 核函数及其理论 | 第28-38页 |
| 3.1 核函数 | 第28-29页 |
| 3.2 常用的核函数及其基本性质 | 第29-37页 |
| 3.2.1 常用的核函数 | 第29-30页 |
| 3.2.2 核函数的基本性质 | 第30-31页 |
| 3.2.3 核函数的分类 | 第31-37页 |
| 3.3 本章小结 | 第37-38页 |
| 第4章 混合核函数支持向量机 | 第38-56页 |
| 4.1 混合核函数支持向量机的研究现状 | 第38-39页 |
| 4.2 混合核函数 | 第39-53页 |
| 4.2.1 RBF核函数与Poly核函数的混合探究 | 第39-44页 |
| 4.2.2 改进的RBF核函数——N_RBF核函数 | 第44-48页 |
| 4.2.3 球心c的替代算法 | 第48-49页 |
| 4.2.4 N_RBF核函数与Poly核函数的混合探究 | 第49-53页 |
| 4.3 实验结果 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第5章 结论与展望 | 第56-59页 |
| 参考文献 | 第59-62页 |
| 附录 | 第62-70页 |
| 致谢 | 第70页 |
