基于增量学习的分类算法研究
| 摘要 | 第1-7页 |
| Abstract | 第7-10页 |
| 第一章 绪论 | 第10-15页 |
| ·课题背景 | 第10-11页 |
| ·研究现状 | 第11-13页 |
| ·论文的研究内容以及研究意义 | 第13-14页 |
| ·论文的组织结构 | 第14-15页 |
| 第二章 机器学习和支持向量机理论 | 第15-27页 |
| ·机器学习的基本概念 | 第15-18页 |
| ·机器学习的发展历史 | 第16页 |
| ·机器学习的表述 | 第16-17页 |
| ·经验风险最小化 | 第17-18页 |
| ·机器学习的理论 | 第18页 |
| ·统计学习理论 | 第18-21页 |
| ·经验风险和期望风险 | 第19页 |
| ·VC维理论 | 第19-20页 |
| ·结构风险最小化 | 第20-21页 |
| ·支持向量机理论 | 第21-26页 |
| ·支持向量机的实现思想 | 第21页 |
| ·线性可分情况 | 第21-24页 |
| ·线性不可分情况 | 第24页 |
| ·非线性情况 | 第24-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 现有的支持向量机增量学习算法 | 第27-37页 |
| ·增量学习的思想 | 第27-28页 |
| ·增量过程分析 | 第28-30页 |
| ·支持向量 | 第28-29页 |
| ·增量学习后SV集的变化 | 第29-30页 |
| ·常用的增量学习方法 | 第30-35页 |
| ·经典的SVM增量学习算法—Batch SVM | 第30-32页 |
| ·错误驱动增量学习算法 | 第32页 |
| ·基于KKT条件的增量学习算法 | 第32-35页 |
| ·本章小结 | 第35-37页 |
| 第四章 一种基于误差阈值的增量学习算法 | 第37-45页 |
| ·最小二乘支持向量机的数学原理 | 第37-39页 |
| ·一种改进的增量学习算法 | 第39-42页 |
| ·算法流程 | 第39-41页 |
| ·算法可行性分析 | 第41页 |
| ·算法计算复杂度分析 | 第41页 |
| ·算法的有效性分析 | 第41-42页 |
| ·仿真实验及结果分析 | 第42-44页 |
| ·本章小结 | 第44-45页 |
| 第五章 一种基于隶属度函数的增量学习算法 | 第45-50页 |
| ·隶属度函数的设计 | 第45-46页 |
| ·基于隶属度函数的增量学习算法 | 第46-47页 |
| ·算法实现过程 | 第46页 |
| ·算法分析 | 第46-47页 |
| ·仿真实验及结果分析 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 结论 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 致谢 | 第55页 |
