| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究及发展现状 | 第12-16页 |
| 1.2.1 支持向量机分类算法 | 第13-14页 |
| 1.2.2 支持向量机扩展算法 | 第14-16页 |
| 1.2.3 支持向量机在医学领域应用 | 第16页 |
| 1.3 本文的组织结构 | 第16-18页 |
| 第2章 支持向量机理论 | 第18-34页 |
| 2.1 统计学习理论基础 | 第18-21页 |
| 2.1.1 Vapnik-Chevonenkis理论 | 第18-19页 |
| 2.1.2 经验风险最小化 | 第19-20页 |
| 2.1.3 结构风险最小化 | 第20-21页 |
| 2.2 从感知机到支持向量机 | 第21-29页 |
| 2.2.1 线性支持向量机 | 第24-27页 |
| 2.2.2 非线性支持向量机 | 第27-29页 |
| 2.3 SVM~(light)和LIBSVM | 第29-33页 |
| 2.3.1 SVM~(light)方法 | 第29-30页 |
| 2.3.2 LIBSVM方法 | 第30-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第3章 基于代理函数的大规模SVM设计 | 第34-48页 |
| 3.1 设计思想 | 第34-37页 |
| 3.1.1 代理函数设计流程 | 第34-36页 |
| 3.1.2 代理函数的性质 | 第36-37页 |
| 3.2 构造基于代理函数的SVM | 第37-44页 |
| 3.2.1 代理函数的构建 | 第37-42页 |
| 3.2.2 迭代过程及推导 | 第42-44页 |
| 3.3 收敛性分析 | 第44-46页 |
| 3.4 内存处理 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 实验说明及结果分析 | 第48-68页 |
| 4.1 实验环境 | 第48-49页 |
| 4.2 实验过程 | 第49-63页 |
| 4.2.1 SVM~(light)配置 | 第49-51页 |
| 4.2.2 LIBSVM配置 | 第51-54页 |
| 4.2.3 实验参数设置 | 第54-55页 |
| 4.2.4 实验过程与分析 | 第55-63页 |
| 4.3 生物医学领域应用实验 | 第63-66页 |
| 4.4 本章小结 | 第66-68页 |
| 第5章 结束语 | 第68-72页 |
| 5.1 本文工作总结 | 第68-69页 |
| 5.2 研究展望 | 第69-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-78页 |
| 研究生期间发表论文情况 | 第78页 |