| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-14页 |
| ·选题的背景及意义 | 第8-9页 |
| ·支持向量机研究现状 | 第9-11页 |
| ·支持向量机理论的研究现状 | 第9-10页 |
| ·支持向量机学习算法研究现状 | 第10-11页 |
| ·支持向量机的应用研究现状 | 第11页 |
| ·本文工作 | 第11-12页 |
| ·本文安排 | 第12-14页 |
| 第二章 支持向量机理论研究 | 第14-30页 |
| ·统计学习理论 | 第14-19页 |
| ·学习问题的基本模型 | 第14-15页 |
| ·经验风险最小化原则 | 第15-16页 |
| ·学习机器的 VC 维 | 第16-17页 |
| ·泛化能力的界 | 第17-18页 |
| ·结构风险最小化原则 | 第18-19页 |
| ·最优化理论 | 第19-22页 |
| ·最优化模型 | 第20页 |
| ·Fermata 定理 | 第20-21页 |
| ·Lagrange 法则 | 第21-22页 |
| ·Kuhn-Tucker 定理及 Wolfe 对偶 | 第22页 |
| ·支持向量分类机 | 第22-26页 |
| ·最优超平面 | 第23-24页 |
| ·线性支持向量机 | 第24-25页 |
| ·非线性支持向量机 | 第25-26页 |
| ·不平衡数据知识综述 | 第26-29页 |
| ·不平衡数据分类精确度评价方法 | 第27-28页 |
| ·不平衡数据分类问题常用方法 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第三章 一种用于非平衡数据的改进模糊支持向量机 | 第30-38页 |
| ·经典的模糊支持向量机 | 第30-31页 |
| ·改进的模糊支持向量机 | 第31-35页 |
| ·类别特征提取 | 第31-33页 |
| ·样本标准方差计算 | 第33页 |
| ·隶属度函数设计 | 第33-35页 |
| ·操作步骤描述 | 第35页 |
| ·仿真实验 | 第35-37页 |
| ·本章小结 | 第37-38页 |
| 第四章 一种改进的欠采样方法 | 第38-48页 |
| ·传统欠采样方法分析 | 第38-40页 |
| ·随机欠采样方法 | 第38-40页 |
| ·单边欠采样方法 | 第40页 |
| ·基于欧氏距离的改进欠采样方法 | 第40-44页 |
| ·样本距离定义 | 第41-42页 |
| ·样本集分类 | 第42页 |
| ·参数分析 | 第42-43页 |
| ·步骤描述 | 第43-44页 |
| ·仿真实验 | 第44-46页 |
| ·本章小结 | 第46-48页 |
| 第五章 一种快速的支持向量机增量学习算法 | 第48-56页 |
| ·基于 KKT 条件支持向量机的增量学习方法 | 第48-50页 |
| ·KKT 条件 | 第48-49页 |
| ·算法描述 | 第49-50页 |
| ·改进的基于 KKT 条件支持向量机增量学习算法 | 第50-52页 |
| ·样本预处理 | 第50-51页 |
| ·算法设计 | 第51-52页 |
| ·仿真实验 | 第52-54页 |
| ·本章小结 | 第54-56页 |
| 第六章 结束语 | 第56-58页 |
| ·总结 | 第56页 |
| ·展望 | 第56-58页 |
| 致谢 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 研究成果 | 第64-65页 |