| 中文摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-13页 |
| ·支持向量机概述 | 第8-9页 |
| ·研究的成果和遇到的问题 | 第9-11页 |
| ·论文主要工作及组织结构 | 第11-13页 |
| 第二章 支持向量机基本理论及实现 | 第13-25页 |
| ·机器学习问题的表述 | 第13-14页 |
| ·支持向量机和核方法 | 第14-20页 |
| ·支持向量分类机 | 第14-16页 |
| ·支持向量回归机 | 第16-18页 |
| ·非线性支持向量机与核函数 | 第18-20页 |
| ·核方法 | 第20页 |
| ·数据集预处理方法简介 | 第20-21页 |
| ·支持向量机训练算法简介 | 第21-25页 |
| 第三章 支持向量机预处理算法 | 第25-35页 |
| ·数据集预处理中增减样本点的原理 | 第25-26页 |
| ·不均衡样本集的各种预处理方法 | 第26-28页 |
| ·不均衡样本集 | 第26页 |
| ·不均衡样本集的预处理算法 | 第26-28页 |
| ·与均衡样本集性能的评价标准 | 第28页 |
| ·样本集预处理的K邻域算法 | 第28-33页 |
| ·K近邻算法和数据集预处理 | 第28-30页 |
| ·K值选取难题和交叉区域 | 第30-31页 |
| ·交叉区域和交叉集合 | 第31-32页 |
| ·k值选取算法 | 第32-33页 |
| ·k值估计在不均衡数据集的问题 | 第33-34页 |
| ·改进的k值选取算法 | 第34-35页 |
| 第四章 支持向量机训练算法 | 第35-49页 |
| ·分解算法和两种具体实现 | 第35-36页 |
| ·工作集选择和判定优化结束的的库恩-塔克条件 | 第36-38页 |
| ·SVM—LIGHT的可行方向法工作集选择原理 | 第38-39页 |
| ·序列最小化算法和基于二次信息的工作集选取 | 第39-45页 |
| ·序列最小化算法 | 第39-40页 |
| ·库恩-塔克条件与工作集选择 | 第40-42页 |
| ·基于二次信息的工作集选取 | 第42-45页 |
| ·SVM—LIGHT工作集选取方面仅使用一次信息的不足 | 第45页 |
| ·加入二次信息的SVM-LIGHT算法 | 第45-49页 |
| 第五章 实验结果及分析 | 第49-53页 |
| ·改进的K值选取算法在公共数据集的实验 | 第49-50页 |
| ·IRIS分类实验 | 第49页 |
| ·Abalone分类实验 | 第49-50页 |
| ·加入二次信息的SVM-LIGHT算法和实验 | 第50-53页 |
| ·人工数据集分类实验 | 第50-52页 |
| ·breast-cancer分类实验 | 第52-53页 |
| 第六章 总结与展望 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 攻读硕士学位期间所做的科研工作 | 第59-60页 |
| 致谢 | 第60-61页 |
| 附录A 加入二次信息的SVM-LIGHT(MATLAB代码) | 第61-64页 |
| 详细摘要 | 第64-66页 |