| 中文摘要 | 第2-3页 |
| ABSTRACT | 第3页 |
| 第1章 绪论 | 第8-21页 |
| 1.1 本文选题背景与研究意义 | 第8-9页 |
| 1.2 SVM 算法目前的研究现状 | 第9-18页 |
| 1.2.1 提高 SVM 训练速度方面的研究 | 第10-13页 |
| 1.2.2 SVM 预处理方法方面的研究 | 第13-14页 |
| 1.2.3 SVM 多类分类方法方面的研究 | 第14-15页 |
| 1.2.4 SVM 回归(SVMR)方面的研究 | 第15-17页 |
| 1.2.5 SVM 的应用研究 | 第17-18页 |
| 1.3 本文的主要内容及创新点 | 第18-21页 |
| 第2章 支持向量机理论 | 第21-41页 |
| 2.1 引言 | 第21-22页 |
| 2.2 机器学习的基本方法 | 第22-25页 |
| 2.2.1 学习问题的一般表示 | 第22-23页 |
| 2.2.2 经验风险最小化原则 | 第23-24页 |
| 2.2.3 模型复杂度与推广能力 | 第24-25页 |
| 2.3 统计学习理论的基本思想 | 第25-29页 |
| 2.3.1 VC 维 | 第25-26页 |
| 2.3.2 泛化误差的边界 | 第26-27页 |
| 2.3.3 结构风险最小化原理 | 第27-29页 |
| 2.4 支持向量机 | 第29-39页 |
| 2.4.1 线性支持向量机 | 第29-33页 |
| 2.4.2 非线性支持向量机 | 第33-37页 |
| 2.4.3 支持向量机回归 | 第37-39页 |
| 2.5 支持向量机与多层前向神经网络的比较 | 第39-41页 |
| 第3章 支持向量预抽取及模糊循环迭代算法的研究 | 第41-54页 |
| 3.1 引言 | 第41-42页 |
| 3.2 预抽取支持向量的两凸包相对边界向量方法(FFMVM) | 第42-45页 |
| 3.2.1 线性可分情况下两凸包相对边界向量方法 | 第42-43页 |
| 3.2.2 非线性情况下两凸包相对边界向量方法 | 第43-44页 |
| 3.2.3 实验仿真与讨论 | 第44-45页 |
| 3.3 模糊循环迭代算法 | 第45-53页 |
| 3.3.1 模糊循环迭代算法的基本思想 | 第47-48页 |
| 3.3.2 模糊循环迭代算法的描述 | 第48-50页 |
| 3.3.3 仿真及实验 | 第50-51页 |
| 3.3.4 算法的复杂度分析 | 第51-53页 |
| 3.4 本章小结 | 第53-54页 |
| 第4章 支持向量机的增量学习算法的研究 | 第54-65页 |
| 4.1 引言 | 第54-55页 |
| 4.2 支持向量机增量学习算法 | 第55-59页 |
| 4.2.1 工作样本集合的选择 | 第56页 |
| 4.2.2 训练支持向量机的循环迭代方案 | 第56-57页 |
| 4.2.3 支持向量机的增量学习方案 | 第57页 |
| 4.2.4 增量学习样本的抛弃方案 | 第57-58页 |
| 4.2.5 增量支持向量机(I-SVM)的实现步骤 | 第58-59页 |
| 4.3 增量支持向量机的收敛及有效性分析 | 第59-60页 |
| 4.3.1 增量支持向量机的收敛性分析 | 第59-60页 |
| 4.3.2 增量支持向量机的有效性分析 | 第60页 |
| 4.4 增量支持向量机的计算复杂度分析 . 5 | 第60-61页 |
| 4.5 仿真实验及分析 | 第61-63页 |
| 4.6 本章小结 | 第63-65页 |
| 第5章 支持向量机多类分类方法的研究 | 第65-78页 |
| 5.1 引 言 | 第65-66页 |
| 5.2 多类分类方法介绍 | 第66-69页 |
| 5.2.1 第一类多类分类方法 | 第66-67页 |
| 5.2.2 1-a-r 多类分类方法 | 第67页 |
| 5.2.3 1-a-1 及DDAG多类分类方法 | 第67-69页 |
| 5.3 目前多类 SVM 方法存在的缺点 | 第69-71页 |
| 5.3.1 1-a-r 方法 | 第69-70页 |
| 5.3.2 1-a-1 方法 | 第70页 |
| 5.3.3 DDAGSVM 方法 | 第70-71页 |
| 5.4 新的支持向量机多类分类方法的思路 | 第71-72页 |
| 5.5 基于二叉树的多类支持向量机分类方法: 1-a-na | 第72-76页 |
| 5.5.1 训练样本的选择方案 | 第72-73页 |
| 5.5.2 支持向量机的训练方案 | 第73-76页 |
| 5.6 实验及结果分析 | 第76-77页 |
| 5.7 本章小结 | 第77-78页 |
| 第6章 基于密度法的模糊支持向量机 | 第78-89页 |
| 6.1 引 言 | 第78-79页 |
| 6.2 目前支持向量机在抗击孤立点方面的主要方法 | 第79-80页 |
| 6.3 模糊支持向量机 | 第80-82页 |
| 6.4 基于密度的模糊因子的产生 | 第82-84页 |
| 6.4.1 密度的定义 | 第82-84页 |
| 6.4.2 模糊参数产生 | 第84页 |
| 6.5 本方法的步骤 | 第84-85页 |
| 6.6 实验及结果分析 | 第85-88页 |
| 6.7 本章小结 | 第88-89页 |
| 第7章 一种具有良好内、外插值性能的 SVM 函数拟合方法 | 第89-98页 |
| 7.1 引 言 | 第89-90页 |
| 7.2 支持向量机函数拟合的基本原理及核函数介绍 | 第90-91页 |
| 7.3 支持向量机的内外插值特性 | 第91-93页 |
| 7.4 一种具有良好内、外插值性能的函数拟合与预测方法 | 第93-96页 |
| 7.4.1 新方法的思想 | 第93页 |
| 7.4.2 新方法的描述 | 第93-96页 |
| 7.4.2.1 训练样本分布均匀化处理 | 第93-94页 |
| 7.4.2.2 以序列递推方法拓宽训练样本的样本空间范围 | 第94-96页 |
| 7.4.2.3 获得具有良好内、外插值性能的拟合函数 | 第96页 |
| 7.5 实验验证及结果分析 | 第96-97页 |
| 7.6 本章小结 | 第97-98页 |
| 第8章 基于 SVM 的复杂非线性黑箱系统模型在线辨识方法的研究 | 第98-106页 |
| 8.1 引 言 | 第98-99页 |
| 8.2 一个复杂的非线性系统辨识问题 | 第99-100页 |
| 8.3 支持向量机非线性系统在线模型辨识 | 第100-102页 |
| 8.3.1 数据的预处理 | 第100-101页 |
| 8.3.2 支持向量机参数的确定 | 第101页 |
| 8.3.3 在线辨识方案的确定 | 第101-102页 |
| 8.4 支持向量机在线非线性建模实验及结果分析 | 第102-104页 |
| 8.5 本章小结 | 第104-106页 |
| 第9章 总结与展望 | 第106-108页 |
| 9.1 全文总结 | 第106-107页 |
| 9.2 存在的问题和研究前景展望 | 第107-108页 |
| 参考文献 | 第108-123页 |
| 攻读博士期间发表的论文 | 第123-124页 |
| 致谢 | 第124页 |
