| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 选题背景与意义 | 第8-9页 |
| 1.2 国内外研究现状分析 | 第9-11页 |
| 1.3 主要内容和创新点 | 第11-12页 |
| 1.4 组织结构 | 第12-14页 |
| 第2章 相关技术简介 | 第14-22页 |
| 2.1 核方法概述 | 第14-17页 |
| 2.1.1 核函数学习 | 第16页 |
| 2.1.2 高斯核函数性质 | 第16-17页 |
| 2.2 核目标度量准则(KTA) | 第17-18页 |
| 2.3 在线学习简介 | 第18-19页 |
| 2.4 SVM分类器简介 | 第19-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第3章 KTA结构及局部凸性理论分析与证明 | 第22-35页 |
| 3.1 引言 | 第22-23页 |
| 3.2 基本原理 | 第23-25页 |
| 3.3 使用二部图法分解核优化目标函数R(σ) | 第25-28页 |
| 3.4 分析R~(≠=)(σ)的局部凸性及确定全局极小值的区间 | 第28-31页 |
| 3.5 实验结果与分析 | 第31-34页 |
| 3.5.1 实验建立 | 第31页 |
| 3.5.2 评测算法3-1的实验结果 | 第31-32页 |
| 3.5.3 用图解法表示R(σ)的局部凸性 | 第32-34页 |
| 3.6 本章小结 | 第34-35页 |
| 第4章 采用经典的SGD算法学习高斯核函数 | 第35-43页 |
| 4.1 引言 | 第35页 |
| 4.2 mini-batches在线学习算法简介 | 第35-36页 |
| 4.3 本文提出的方法 | 第36-38页 |
| 4.3.1 方法阐释 | 第36-37页 |
| 4.3.2 初始化 | 第37-38页 |
| 4.3.3 收敛性 | 第38页 |
| 4.3.4 计算考虑 | 第38页 |
| 4.4 实验结果与分析 | 第38-42页 |
| 4.4.1 实验建立 | 第38-39页 |
| 4.4.2 与当前主流的核学习方法进行比较 | 第39-41页 |
| 4.4.5 对数据集进行平衡化处理的优势 | 第41-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第5章 采用自适应在线学习算法学习高斯核函数 | 第43-55页 |
| 5.1 引言 | 第43-44页 |
| 5.2 自适应在线学习算法理论基础 | 第44-46页 |
| 5.3 本文提出的算法 | 第46-49页 |
| 5.3.1 核学习目标准则回顾 | 第46-47页 |
| 5.3.2 算法设计 | 第47-49页 |
| 5.4 实验结果与分析 | 第49-54页 |
| 5.4.1 实验建立 | 第49-50页 |
| 5.4.2 学习速率η_t的变化情况 | 第50-52页 |
| 5.4.4 和当前主流的核学习方法进行对比 | 第52-54页 |
| 5.5 本章小结 | 第54-55页 |
| 第6章 基于方差约减的在线学习算法学习高斯核函数 | 第55-64页 |
| 6.1 引言 | 第55-57页 |
| 6.2 方差约减在线学习算法理论基础 | 第57-58页 |
| 6.3 本文提出的方法 | 第58-60页 |
| 6.3.1 预处理 | 第58-59页 |
| 6.3.2 算法设计 | 第59-60页 |
| 6.4 实验结果与分析 | 第60-63页 |
| 6.4.1 实验建立 | 第60页 |
| 6.4.2 和当前主流的核学习方法进行对比 | 第60-63页 |
| 6.5 本章小结 | 第63-64页 |
| 第7章 本文的三种方法比较分析 | 第64-65页 |
| 总结与展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |
| 个人简历 | 第72-73页 |
| 在校期间的研究成果以及发表的学术论文 | 第73页 |