| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 文献综述 | 第10-16页 |
| ·对所述研究方向研究背景和状况 | 第10-12页 |
| ·研究内容 | 第12-15页 |
| ·最原始的支持向量机 | 第12-13页 |
| ·C-支持向量机 | 第13页 |
| ·双目标函数的支持向量机 | 第13-14页 |
| ·支持向量机的应用 | 第14-15页 |
| ·深度学习 | 第15页 |
| ·小结 | 第15-16页 |
| 第二章 改进的支持向量机模型 | 第16-37页 |
| ·准备知识 | 第16-21页 |
| ·分类问题的介绍 | 第16页 |
| ·VC维数 | 第16-17页 |
| ·结构风险最小化（Structural Risk Minimination） | 第17-18页 |
| ·核函数 | 第18-20页 |
| ·损失函数 | 第20页 |
| ·KKT条件 | 第20-21页 |
| ·传统支持向量机的模型 | 第21-27页 |
| ·标准的支持向量机模型及求解过程 | 第21-24页 |
| ·C-SVM | 第24-26页 |
| ·求解支持向量机算法SMO | 第26-27页 |
| ·小结 | 第27页 |
| ·基于双目标函数的支持向量机 | 第27-36页 |
| ·孪生支持向量机（TWSVM） | 第27-31页 |
| ·非平行支持向量机（NPSVM） | 第31-36页 |
| ·小结 | 第36-37页 |
| 第三章 改进的支持向量机的应用 | 第37-42页 |
| ·支持向量机在情感分析的应用 | 第37-39页 |
| ·情感分析的介绍 | 第37页 |
| ·数据的介绍 | 第37-38页 |
| ·实验过程 | 第38页 |
| ·实验结果及分析 | 第38-39页 |
| ·改进的支持向量机在文本分类中的应用 | 第39-41页 |
| ·文本分类的介绍 | 第39-40页 |
| ·数据类型的介绍 | 第40页 |
| ·实验过程 | 第40页 |
| ·实验结果和分析 | 第40-41页 |
| ·小结 | 第41-42页 |
| 第四章 支持向量机和深度学习的简单对比 | 第42-46页 |
| ·深度学习的发展 | 第42-43页 |
| ·人工网络理论简单介绍 | 第43-44页 |
| ·两者之间在理论上的关系和应用领域的分析 | 第44-45页 |
| ·小结 | 第45-46页 |
| 第五章 总结和展望 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 附件 | 第50-63页 |
| 致谢 | 第63-64页 |
| 作者简介 | 第64页 |