支持向量机分类与回归方法研究
| 第一章 导论 | 第10-19页 |
| 1.1 课题背景及意义 | 第10-11页 |
| 1.2 目前发展状况 | 第11-17页 |
| 1.2.1 贝叶斯学习理论 | 第11-12页 |
| 1.2.2 神经网络学习理论 | 第12-13页 |
| 1.2.3 统计学习理论 | 第13-17页 |
| 1.3 本文内容安排 | 第17-19页 |
| 第二章 二次规划支持向量机 | 第19-35页 |
| 2.1 前言 | 第19-20页 |
| 2.2 支持向量机分类 | 第20-23页 |
| 2.3 支持向量回归 | 第23-26页 |
| 2.4 一类支持向量机 | 第26-27页 |
| 2.5 多值分类 | 第27-34页 |
| 2.5.1 多值分类算法 | 第27-30页 |
| 2.5.2 实验分析 | 第30-32页 |
| 2.5.3 分解算法 | 第32-34页 |
| 2.6 本章小结 | 第34-35页 |
| 第三章 线性规划支持向量机 | 第35-57页 |
| 3.1 引言 | 第35页 |
| 3.2 数学背景 | 第35-36页 |
| 3.3 线性规划分类算法 | 第36-40页 |
| 3.3.1 L_1范数公式 | 第36-38页 |
| 3.3.2 L_∞范数公式 | 第38-39页 |
| 3.3.3 几何性质 | 第39-40页 |
| 3.4 基于线性规划的回归算法 | 第40-45页 |
| 3.4.1 几种新模型 | 第41-43页 |
| 3.4.2 仿真实例 | 第43-45页 |
| 3.5 基于线性规划的一类分类 | 第45-47页 |
| 3.6 基于线性规划的多值分类算法 | 第47-51页 |
| 3.6.1 算法实现 | 第47-48页 |
| 3.6.2 仿真实例 | 第48-50页 |
| 3.6.3 分解算法 | 第50-51页 |
| 3.7 多值分类方法在人脸识别中的应用 | 第51-56页 |
| 3.7.1 基于核的主成分提取 | 第52-54页 |
| 3.7.2 实现方法 | 第54-56页 |
| 3.8 本章小结 | 第56-57页 |
| 第四章 支持向量回归模型研究 | 第57-72页 |
| 4.1 前言 | 第57-58页 |
| 4.2 单参数约束下的支持向量回归算法 | 第58-63页 |
| 4.2.1 单参数回归模型 | 第58-60页 |
| 4.2.2 两种约束条件比较 | 第60-61页 |
| 4.2.3 算法实现 | 第61-62页 |
| 4.2.4 仿真实例 | 第62-63页 |
| 4.3 加权支持向量回归 | 第63-65页 |
| 4.3.1 加权支持向量回归模型 | 第63-64页 |
| 4.3.2 算法实现 | 第64-65页 |
| 4.3.3 仿真实例 | 第65页 |
| 4.4 支持向量回归中的预测信任度 | 第65-67页 |
| 4.5 回归模型与分类之间的关系 | 第67-71页 |
| 4.5.1 从回归到分类 | 第67-69页 |
| 4.5.2 从分类到回归 | 第69-71页 |
| 4.6 本章小结 | 第71-72页 |
| 第五章 基于支持向量机的异常值检测 | 第72-87页 |
| 5.1 概述 | 第72-73页 |
| 5.2 回归中的异常值检测 | 第73-78页 |
| 5.2.1 检测步骤 | 第73-74页 |
| 5.2.2 仿真实例 | 第74-78页 |
| 5.3 时间序列中的异常值检测 | 第78-86页 |
| 5.3.1 基于统计模型的异常值检测 | 第78-79页 |
| 5.3.2 基于支持向量机的异常值检测 | 第79-86页 |
| 5.4 本章小结 | 第86-87页 |
| 第六章 支持向量机与神经网络 | 第87-101页 |
| 6.1 前言 | 第87-88页 |
| 6.2 RBF网络 | 第88-89页 |
| 6.3 基于支持向量回归算法的RBF网络 | 第89-91页 |
| 6.3.1 实现方法 | 第89-90页 |
| 6.3.2 仿真实例 | 第90-91页 |
| 6.4 RBF网络与SVR的关系讨论 | 第91页 |
| 6.5 一般损失函数下的支持向量回归模型 | 第91-93页 |
| 6.6 几种不同损失函数下的支持向量回归模型 | 第93-99页 |
| 6.6.1 h-SVR | 第93-94页 |
| 6.6.2 v-SVR | 第94-96页 |
| 6.6.3 最小二乘支持向量回归 | 第96-97页 |
| 6.6.4 仿真实例 | 第97-99页 |
| 6.7 本章小结 | 第99-101页 |
| 第七章 结论与展望 | 第101-103页 |
| 7.1 结论 | 第101-102页 |
| 7.2 展望 | 第102-103页 |
| 参考文献 | 第103-115页 |
| 致谢 | 第115-116页 |
| 攻读学位期间发表的学术论文及参加的基金项目 | 第116页 |
