用于回归估计的支持向量机的学习算法及应用
| 第一章 绪言 | 第1-17页 |
| 1．1 统计学习理论与支持向量机 | 第8-10页 |
| 1．2 用于分类的支持向量机算法 | 第10-13页 |
| 1．2．1 从分解策略出发的SVM优化算法 | 第10-11页 |
| 1．2．2 从改造优化式出发的SVM优化算法 | 第11-12页 |
| 1．2．3 多类支持向量机算法 | 第12-13页 |
| 1．3 用于回归估计的支持向量机算法 | 第13-15页 |
| 1．3．1 从改造优化式出发的SVR优化算法 | 第13-14页 |
| 1．3．2 从分解策略出发的SVR优化算法 | 第14-15页 |
| 1．4 本文主要研究内容 | 第15-16页 |
| 1．5 本文内容安排 | 第16-17页 |
| 第二章 用于分类的支持向量机的标准算法 | 第17-28页 |
| 2．1 线性可分模式下的最优分类面 | 第17-22页 |
| 2．2 广义线性可分模式下的最优分类面 | 第22-24页 |
| 2．3 线性不可分模式下的最优分类面 | 第24-28页 |
| 第三章 用于回归估计的支持向量机的训练算法 | 第28-39页 |
| 3．1 标准SVR算法 | 第28-33页 |
| 3．1．1 线性情况 | 第29-31页 |
| 3．1．2 非线性情况 | 第31-33页 |
| 3．2 v-SVR算法 | 第33-35页 |
| 3．3 LS-SVR算法 | 第35-36页 |
| 3．4 W-SVR算法 | 第36-38页 |
| 3．5 基于线性规划的SVR算法 | 第38-39页 |
| 第四章 改进的用于回归估计的SVR新算法 | 第39-44页 |
| 4．1 引言 | 第39页 |
| 4．2 用于分类的LSVM学习算法 | 第39-41页 |
| 4．3 用于回归估计的LSVM-R学习算法 | 第41-44页 |
| 第五章 支持向量机在回归估计上的应用 | 第44-54页 |
| 5．1 应用一:支持向量机在胆固醇测定中的应用 | 第44-49页 |
| 5．1．1 SVR方法与BP网络方法的比较 | 第44-47页 |
| 5．1．2 LSVR方法与SVR方法的比较 | 第47-48页 |
| 5．1．3 实验小结 | 第48-49页 |
| 5．2 应用二:支持向量机在物理实验中的应用 | 第49-54页 |
| 5．2．1 实验1:光的双缝干涉 | 第50页 |
| 5．2．2 实验2:光的单缝衍射 | 第50-53页 |
| 5．2．3 实验小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6．1 总结 | 第54页 |
| 6．2 展望 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 致谢 | 第61-62页 |
| 攻读学位期间发表的学术论文目录 | 第62-63页 |
