| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 主要符号表 | 第13-14页 |
| 第一章 绪论 | 第14-21页 |
| 1.1 课题背景及意义 | 第14-16页 |
| 1.2 支持向量机的研究现状 | 第16-19页 |
| 1.2.1 支持向量机理论研究 | 第16-17页 |
| 1.2.2 支持向量机算法研究 | 第17页 |
| 1.2.3 支持向量机多分类方法研究 | 第17-18页 |
| 1.2.4 支持向量机的应用研究 | 第18-19页 |
| 1.3 主要研究内容 | 第19-20页 |
| 1.4 本文的结构安排 | 第20-21页 |
| 第二章 支持向量机理论概述 | 第21-40页 |
| 2.1 统计学习理论 | 第21-28页 |
| 2.1.1 机器学习问题和方法 | 第22-23页 |
| 2.1.2 学习过程的一致性条件 | 第23-24页 |
| 2.1.3 VC维 | 第24-25页 |
| 2.1.4 推广性的界 | 第25-26页 |
| 2.1.5 结构风险最小化原则 | 第26-28页 |
| 2.2 支持向量机理论 | 第28-34页 |
| 2.2.1 支持向量机的相关数学基础 | 第28-29页 |
| 2.2.2 最优分类超平面 | 第29-30页 |
| 2.2.3 线性可分情况与线性不可分情况 | 第30-32页 |
| 2.2.4 非线性情况及核函数 | 第32-33页 |
| 2.2.5 支持向量 | 第33-34页 |
| 2.3 支持向量机多分类方法 | 第34-38页 |
| 2.3.1 一对一SVM分类方法（One-against-one,OAO） | 第34-35页 |
| 2.3.2 一对多SVM分类方法（One-against-all,OAA） | 第35-36页 |
| 2.3.3 有向无环图多分类方法（Directed Acyclic Graph, DAG） | 第36-37页 |
| 2.3.4 纠错输出编码方法（Error Correcting Output Codes, ECOC） | 第37-38页 |
| 2.3.5 决策二叉树多分类方法 | 第38页 |
| 2.4 本章小结 | 第38-40页 |
| 第三章 一种改进的类间可分性度量函数 | 第40-54页 |
| 3.1 SVM多分类方法分析比较 | 第40-42页 |
| 3.1.1 一对一多分类方法 | 第40页 |
| 3.1.2 一对多分类方法 | 第40-41页 |
| 3.1.3 有向无环图支持向量机 | 第41页 |
| 3.1.4 纠错编码支持向量机 | 第41-42页 |
| 3.1.5 决策二叉树支持向量机 | 第42页 |
| 3.2 球结构SVM多分类方法 | 第42-45页 |
| 3.3 改进的球结构SVM多分类算法 | 第45-46页 |
| 3.4 改进的类间可分性度量函数 | 第46-49页 |
| 3.4.1 欧氏距离 | 第47-48页 |
| 3.4.2 改进的类间可分性测度 | 第48-49页 |
| 3.5 实验仿真分析 | 第49-52页 |
| 3.5.1 实验环境及数据 | 第49-50页 |
| 3.5.2 实验结果与分析 | 第50-52页 |
| 3.6 本章小结 | 第52-54页 |
| 第四章 基于完全二叉树的SVM多分类方法 | 第54-74页 |
| 4.1 完全二叉树 | 第54-57页 |
| 4.1.1 二叉树 | 第54-56页 |
| 4.1.2 特殊的二叉树 | 第56-57页 |
| 4.2 完全二叉树的构建算法 | 第57-62页 |
| 4.2.1 算法基本思想 | 第57-58页 |
| 4.2.2 构建合理的完全二叉树 | 第58-62页 |
| 4.3 基于完全二叉树的SVM多分类方法 | 第62-65页 |
| 4.3.1 算法的训练过程 | 第62-63页 |
| 4.3.2 算法的分类过程 | 第63页 |
| 4.3.3 算法效率分析 | 第63-65页 |
| 4.4 一般性问题的实例分析 | 第65-69页 |
| 4.5 实验仿真与分析 | 第69-73页 |
| 4.5.1 实验环境与数据 | 第69-70页 |
| 4.5.2 实验与结果分析 | 第70-73页 |
| 4.6 本章总结 | 第73-74页 |
| 第五章 全文总结与展望 | 第74-76页 |
| 5.1 全文总结 | 第74-75页 |
| 5.2 后续工作展望 | 第75-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-80页 |
| 攻读硕士学位期间取得的成果 | 第80-81页 |
