| 中文摘要 | 第1-9页 |
| ABSTRACT | 第9-11页 |
| 第一章 引言 | 第11-15页 |
| ·研究背景 | 第11-13页 |
| ·国内外研究现状 | 第13-14页 |
| ·论文的主要工作 | 第14-15页 |
| 第二章 统计学习理论和支持向量机 | 第15-24页 |
| ·统计学习理论 | 第15-18页 |
| ·学习问题的一般表示 | 第15-16页 |
| ·学习机器泛化能力的界 | 第16-18页 |
| ·支持向量机简介 | 第18-23页 |
| ·支持向量分类机 | 第19-21页 |
| ·支持向量回归机 | 第21-22页 |
| ·核映射 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 核参数选择方法的分析与研究 | 第24-30页 |
| ·泛化误差上界的估计方法 | 第24-27页 |
| ·验证集估计(validation estimation) | 第24页 |
| ·留一法(leave-one-out)上界 | 第24-27页 |
| ·最优核参数的选取 | 第27-29页 |
| ·SVC最优参数的选择方法 | 第28-29页 |
| ·SVR最优核参数选择方法 | 第29页 |
| ·本章小结 | 第29-30页 |
| 第四章 支持向量机的最优核参数选择方法 | 第30-43页 |
| ·基于数据独立性的支持向量分类机的最优核参数选择方法 | 第30-33页 |
| ·方法介绍 | 第30-31页 |
| ·数值实验 | 第31-33页 |
| ·高斯核支持向量分类机的最优核参数的界估计 | 第33-37页 |
| ·方法介绍 | 第33-36页 |
| ·数值实验 | 第36-37页 |
| ·高斯核支持向量回归机的最优核参数的界估计 | 第37-42页 |
| ·方法介绍 | 第38-40页 |
| ·数值实验 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 第五章 基于尺度空间的高斯核支持向量机的最优核参数选择方法 | 第43-59页 |
| ·基于尺度空间的高斯核支持向量分类机的最优核参数选择方法 | 第43-46页 |
| ·基于尺度空间的高斯核支持向量回归机的最优核参数选择方法 | 第46-47页 |
| ·数值实验 | 第47-58页 |
| ·高斯核参数分析 | 第47-48页 |
| ·数据集说明 | 第48-49页 |
| ·实验结果及分析 | 第49-58页 |
| ·本章小结 | 第58-59页 |
| 第六章 结论和展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 发表文章目录 | 第64-65页 |
| 致谢 | 第65-66页 |
| 个人简况 | 第66-67页 |
