| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 第一章 绪论 | 第8-14页 |
| §1．1 机器学习简介 | 第8-9页 |
| §1．2 有限样本的预测学习 | 第9-10页 |
| §1．3 核机器学习方法 | 第10-11页 |
| §1．4 论文主要工作和体系结构 | 第11-14页 |
| 第二章 统计学习理论及支持向量机简介 | 第14-22页 |
| §2．1 统计学习理论简介 | 第14-18页 |
| §2．2 支持向量机算法 | 第18-22页 |
| §2．2．1 最优分类超平面 | 第18-19页 |
| §2．2．2 模式识别支持向量机 | 第19-20页 |
| §2．2．3 回归支持向量机 | 第20-22页 |
| 第三章 隐空间核机器 | 第22-42页 |
| §3．1 最小二乘隐空间支持向量机 | 第22-31页 |
| §3．1．1 引言 | 第22-23页 |
| §3．1．2 隐空间支持向量机的基本思想 | 第23-24页 |
| §3．1．3 最小二乘隐空间支持向量机 | 第24-26页 |
| §3．1．4 最小二乘隐空间支持向量机的计算 | 第26-28页 |
| §3．1．5 最小二乘隐空间支持向量机和隐空间支持向量机的性能比较 | 第28页 |
| §3．1．6 仿真实验 | 第28-31页 |
| §3．1．7 结论 | 第31页 |
| §3．2 稀疏隐空间支持向量机 | 第31-42页 |
| §3．2．1 引言 | 第31-32页 |
| §3．2．2 VC界的放宽 | 第32-34页 |
| §3．2．3 构造稀疏隐空间支持向量机 | 第34-36页 |
| §3．2．4 仿真试验 | 第36-40页 |
| §3．2．5 结论 | 第40-42页 |
| 第四章 基于小波的核机器 | 第42-52页 |
| §4．1 引言 | 第42-43页 |
| §4．2 小波逼近 | 第43-44页 |
| §4．3 正交小波尺度核函数 | 第44-45页 |
| §4．4 基于小波核的脊回归 | 第45-46页 |
| §4．5 模型选择 | 第46-48页 |
| §4．6 仿真实验 | 第48-51页 |
| §4．7 结论 | 第51-52页 |
| 第五章 贝叶斯核机器 | 第52-60页 |
| §5．1 贝叶斯学习 | 第52-54页 |
| §5．2 基于有效子集选择的贝叶斯学习 | 第54-60页 |
| §5．2．1 引言 | 第54页 |
| §5．2．2 模型确立 | 第54-55页 |
| §5．2．3 稀疏贝叶斯学习算法 | 第55-57页 |
| §5．2．4 算法仿真 | 第57-59页 |
| §5．2．5 结论 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| §6．1 全文工作总结 | 第60页 |
| §6．2 进一步工作 | 第60-61页 |
| §6．3 核机器学习的展望 | 第61-62页 |
| 附录A 定理3．1．1的证明 | 第62-63页 |
| 附录B：定理3．2．1的证明 | 第63-64页 |
| 参考文献 | 第64-70页 |
| 致谢 | 第70-72页 |
| 硕士期间研究成果 | 第72页 |