| 摘要 | 第1-8页 |
| 第一章 序论 | 第8-22页 |
| ·论文背景 | 第8-10页 |
| ·统计学习理论 | 第10-12页 |
| ·VC维 | 第11页 |
| ·结构风险最小化理论 | 第11-12页 |
| ·SVM理论 | 第12-17页 |
| ·最优超平面 | 第12-14页 |
| ·线性SVM | 第14-15页 |
| ·非线性SVM | 第15-16页 |
| ·支持向量回归算法SVR(Support Vector Regression) | 第16-17页 |
| ·本文的主要工作 | 第17-20页 |
| ·主要工作介绍 | 第17-19页 |
| ·本文的主要贡献 | 第19-20页 |
| ·组织结构 | 第20-22页 |
| 第二章 基于SVM的MRI左心室图像的自动检测与分割 | 第22-33页 |
| ·引言 | 第22页 |
| ·相关工作 | 第22-23页 |
| ·传统心脏MRI图像的分割方法 | 第23-26页 |
| ·带参数的Snake模型 | 第23-25页 |
| ·几何活动轮廓模型 | 第25-26页 |
| ·SVM分类在MRI图像分割中的应用 | 第26-33页 |
| ·SVM分类描述 | 第26-29页 |
| ·自动分割过程 | 第29-33页 |
| 第三章 训练算法的改进 | 第33-39页 |
| ·引言 | 第33页 |
| ·相关工作 | 第33-35页 |
| ·训练过程的改进 | 第35-36页 |
| ·试验及结果 | 第36-38页 |
| ·结论 | 第38-39页 |
| 第四章 增量学习算法 | 第39-54页 |
| ·引言 | 第39页 |
| ·相关工作 | 第39-40页 |
| ·SV的概念与特点 | 第40-41页 |
| ·具有增量学习功能的SVM分类算法 | 第41-43页 |
| ·简单的SVM增量学习算法 | 第41-42页 |
| ·增量样本对SVM分类结果的影响 | 第42-43页 |
| ·区域增量学习算法 | 第43-51页 |
| ·简介 | 第43页 |
| ·新增数据与分类面的关系研究 | 第43-50页 |
| ·改进的学习算法 | 第50-51页 |
| ·实验结果 | 第51-53页 |
| ·结论 | 第53-54页 |
| 第五章 结束语 | 第54-56页 |
| ·本文总结 | 第54-55页 |
| ·进一步的工作 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 附录A 硕士期间参与的科研项目 | 第62-63页 |
| 附录B 硕士期间发表的论文 | 第63页 |