| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-10页 |
| 1 绪论 | 第10-18页 |
| ·研究背景 | 第10-13页 |
| ·研究现状 | 第13-16页 |
| ·图像分类研究现状 | 第13-14页 |
| ·SVM的研究进展 | 第14-15页 |
| ·云计算研究现状 | 第15-16页 |
| ·研究意义 | 第16页 |
| ·文章组织结构 | 第16-18页 |
| 2 支持向量机的原理和应用 | 第18-31页 |
| ·支持向量机的理论基础 | 第18-21页 |
| ·统计学习理论 | 第18-20页 |
| ·推广性的界 | 第20-21页 |
| ·支持向量机的相关概念 | 第21-25页 |
| ·最优超平面 | 第21页 |
| ·支持向量机线性可分 | 第21-23页 |
| ·支持向量机近似线性可分 | 第23-24页 |
| ·支持向量机非线性可分 | 第24页 |
| ·核函数 | 第24-25页 |
| ·支持向量机分类问题 | 第25-30页 |
| ·二分类问题 | 第25-26页 |
| ·多分类问题 | 第26-29页 |
| ·SVM多类分类性能的对比 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 3 云计算及Hadoop平台 | 第31-41页 |
| ·云计算 | 第31页 |
| ·云计算框架 | 第31-32页 |
| ·Hadoop平台 | 第32-40页 |
| ·HDFS | 第33-36页 |
| ·MapReduce | 第36-40页 |
| ·本章小结 | 第40-41页 |
| 4 二叉树支持向量机多类分类算法及其改进方法 | 第41-53页 |
| ·基于二叉树的多类支持向量机原理及优缺点 | 第41-42页 |
| ·二叉树支持向量机多类分类算法 | 第42-45页 |
| ·二叉树支持向量机多类分类训练阶段 | 第43-44页 |
| ·二叉树支持向量机多类分类识别阶段 | 第44-45页 |
| ·常用二叉树改进方法 | 第45-46页 |
| ·本文改进二叉树支持向量机 | 第46-50页 |
| ·本文二叉树支持向量机改进方法的思想 | 第47页 |
| ·本文二叉树支持向量机改进方法相关概念 | 第47-48页 |
| ·二叉树支持向量机多类分类算法改进的具体步骤 | 第48-49页 |
| ·改进二叉树多类图像语义分类器 | 第49-50页 |
| ·仿真实验 | 第50-52页 |
| ·本章小结 | 第52-53页 |
| 5 云计算Hadoop平台下的改进二叉树SVM算法的实现 | 第53-62页 |
| ·Hadoop平台下二叉树支持向量机算法整体设计 | 第53页 |
| ·Hadoop平台下二叉树支持向量机算法详细设计 | 第53-56页 |
| ·计算类中心值CountJob的设计 | 第53-55页 |
| ·训练样本ClassifyJob的设计 | 第55-56页 |
| ·实验分析 | 第56-61页 |
| ·实验软硬件描述 | 第56页 |
| ·Hadoop系统环境的搭建 | 第56-59页 |
| ·在linux操作系统环境下运行Hadoop的相关命令 | 第59页 |
| ·实验结果分析 | 第59-61页 |
| ·本章小结 | 第61-62页 |
| 6 总结与展望 | 第62-64页 |
| ·本文总结 | 第62-63页 |
| ·下一步工作展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间主要的研究成果 | 第68-69页 |
| 致谢 | 第69-71页 |