基于1-SVM的多球体分类器理论及其应用研究
| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 符号说明 | 第8-11页 |
| 目录 | 第11-15页 |
| 第1章 绪论 | 第15-30页 |
| ·课题研究背景 | 第15页 |
| ·统计学习理论简介 | 第15-23页 |
| ·统计推理的建立 | 第15-16页 |
| ·参数推理方法 | 第16页 |
| ·经验风险最小化 | 第16-17页 |
| ·结构风险最小化 | 第17-18页 |
| ·SVM算法 | 第18-23页 |
| ·1-SVM算法 | 第23-26页 |
| ·SVDD算法 | 第23-25页 |
| ·1-SVM算法 | 第25-26页 |
| ·1-SVM的研究现状 | 第26-28页 |
| ·1-SVM的理论研究现状 | 第26-27页 |
| ·1-SVM的应用研究现状 | 第27-28页 |
| ·1-SVM的聚类扩展研究 | 第28页 |
| ·本文研究内容及结构安排 | 第28-30页 |
| 第2章 基于作用集的1-SVM训练算法 | 第30-50页 |
| ·SVM训练算法 | 第30-32页 |
| ·分块法 | 第30-31页 |
| ·分解法 | 第31页 |
| ·作用集法 | 第31-32页 |
| ·SMO算法及其在1-SVM上的移植 | 第32-38页 |
| ·SMO算法简介 | 第32-35页 |
| ·SMO在1-SVM上的移植 | 第35-38页 |
| ·基于作用集的1-SVM训练算法 | 第38-45页 |
| ·SVM作用集法 | 第38-39页 |
| ·1-SVM无约束优化 | 第39-40页 |
| ·1-SVM作用集法 | 第40-43页 |
| ·线性方程的递推求解法 | 第43-45页 |
| ·仿真实验 | 第45-49页 |
| ·SMO容忍值权衡分析 | 第45-46页 |
| ·固定数据集比较实验 | 第46-48页 |
| ·递增数据集比较实验 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第3章 模糊1-SVM核聚类及多球体理论框架 | 第50-63页 |
| ·1-SVM核聚类算法 | 第50-53页 |
| ·K均值聚类 | 第50-51页 |
| ·基于K均值的1-SVM核聚类 | 第51-53页 |
| ·基于模糊1-SVM的核聚类算法 | 第53-57页 |
| ·模糊1-SVM | 第54-55页 |
| ·模糊隶属度函数 | 第55-56页 |
| ·1-FSVM核聚类算法步骤 | 第56-57页 |
| ·多球体理论框架 | 第57页 |
| ·仿真实验 | 第57-62页 |
| ·单步聚类 | 第57-59页 |
| ·聚类综合比较 | 第59-62页 |
| ·本章小结 | 第62-63页 |
| 第4章 多球体分类器及其组合实现 | 第63-79页 |
| ·基于SVM的一对多分类器 | 第63-64页 |
| ·SVM多分类方法 | 第63页 |
| ·一对多分类器 | 第63-64页 |
| ·多球体聚类 | 第64-67页 |
| ·支持向量聚类 | 第65-66页 |
| ·多球体自增长聚类 | 第66-67页 |
| ·多球体分类器及其组合实现 | 第67-74页 |
| ·有指导多球体分类器 | 第68-69页 |
| ·精简的一对多分类器 | 第69-71页 |
| ·分类器的组合 | 第71-72页 |
| ·分类器的参数设定 | 第72-74页 |
| ·仿真实验 | 第74-78页 |
| ·M1VRC的参数设定 | 第74-77页 |
| ·多分类器综合性能比较 | 第77-78页 |
| ·本章小结 | 第78-79页 |
| 第5章 基于多球体的一对一决策预分类方法 | 第79-99页 |
| ·一对一分类器及其决策规则 | 第79-81页 |
| ·一对一分类器 | 第79-80页 |
| ·1V1C的决策规则 | 第80-81页 |
| ·成对耦合决策规则 | 第81-85页 |
| ·SVM输出的后验概率估计 | 第82页 |
| ·PWC决策的HT方法 | 第82-83页 |
| ·PWC决策的WLW方法 | 第83-85页 |
| ·基于多球体的预分类算法 | 第85-86页 |
| ·固定候选集容量法 | 第86-90页 |
| ·候选集的容量估计 | 第87-88页 |
| ·参数预设条件 | 第88页 |
| ·评分函数 | 第88-89页 |
| ·交叉验证步骤 | 第89-90页 |
| ·K均值预分类算法 | 第90-91页 |
| ·算法步骤 | 第90-91页 |
| ·参数预设条件 | 第91页 |
| ·仿真实验 | 第91-97页 |
| ·固定候选集法 | 第91-94页 |
| ·K均值预分类 | 第94-95页 |
| ·综合比较实验 | 第95-97页 |
| ·本章小结 | 第97-99页 |
| 第6章 多球体分类器在实时车牌识别中的应用 | 第99-124页 |
| ·实时车牌识别项目简介 | 第99-101页 |
| ·车牌字符 | 第99-100页 |
| ·字符识别流程 | 第100-101页 |
| ·基于图像线性变换的字符样本生成 | 第101-105页 |
| ·字符识别算法 | 第105-109页 |
| ·最近邻算法 | 第106-107页 |
| ·神经网络 | 第107页 |
| ·M1VRC | 第107-108页 |
| ·基于固定候选集容量预分类的PWC算法 | 第108页 |
| ·基于K均值预分类的PWC算法 | 第108-109页 |
| ·算法优化 | 第109-111页 |
| ·基于特定规则的识别任务分解 | 第109页 |
| ·尾汉字识别优化 | 第109-110页 |
| ·核内存优化 | 第110-111页 |
| ·综合比较实验 | 第111-122页 |
| ·实验参数 | 第111-112页 |
| ·样本库递增实验 | 第112-113页 |
| ·神经网络分类实验 | 第113-116页 |
| ·基于最大样本库的整车牌实验 | 第116-117页 |
| ·置信度分析及分类优化 | 第117-122页 |
| ·本章小结 | 第122-124页 |
| 第7章 总结与展望 | 第124-126页 |
| ·全文工作总结 | 第124-125页 |
| ·进一步的工作展望 | 第125-126页 |
| 参考文献 | 第126-135页 |
| 攻读学位期间发表的学术论文 | 第135-137页 |
| 致谢 | 第137页 |
