| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 支持向量机模型训练技术 | 第11-12页 |
| 1.2.2 模型选择技术 | 第12-13页 |
| 1.2.3 参数选择技术 | 第13-14页 |
| 1.3 本文主要工作和贡献 | 第14-15页 |
| 1.4 本文结构组织 | 第15-16页 |
| 第二章 相关理论介绍 | 第16-29页 |
| 2.1 支持向量机 | 第16-22页 |
| 2.1.1 线性支持向量机 | 第16-19页 |
| 2.1.2 非线性支持向量机 | 第19-20页 |
| 2.1.3 常用训练算法 | 第20-22页 |
| 2.2 交叉验证 | 第22-25页 |
| 2.2.1 交叉验证的产生 | 第22-23页 |
| 2.2.2 交叉验证的定义 | 第23-24页 |
| 2.2.3 交叉验证的方法 | 第24-25页 |
| 2.3 参数选择 | 第25-28页 |
| 2.3.1 模型参数的影响 | 第25-26页 |
| 2.3.2 模型参数选择的方法 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于AlphaSeeding的支持向量机交叉验证优化 | 第29-41页 |
| 3.1 AlphaSeeding算法的提出 | 第29-31页 |
| 3.2 α权重调优算法 | 第31-34页 |
| 3.3 多样本替换优化算法 | 第34-37页 |
| 3.4 单样本替换优化算法 | 第37-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第四章 基于WarmStart和GPU加速的SVM参数选择优化 | 第41-50页 |
| 4.1 WarmStart算法的提出 | 第41-42页 |
| 4.2 调整I2∪I3中的α | 第42-46页 |
| 4.2.1 正例的优化 | 第44-45页 |
| 4.2.2 负例的优化 | 第45-46页 |
| 4.3 基于WarmStart的参考选择优化算法 | 第46-49页 |
| 4.3.1 目标函数增幅优先调优算法 | 第46-48页 |
| 4.3.2 正负例匹配调优算法 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 实验与结果分析 | 第50-59页 |
| 5.1 分类数据集 | 第50-52页 |
| 5.1.1 交叉验证数据集 | 第50-51页 |
| 5.1.2 参数选择数据集 | 第51-52页 |
| 5.2 交叉验证算法优化性能 | 第52-54页 |
| 5.2.1 交叉验证整体性能 | 第52-53页 |
| 5.2.2 k变化的影响 | 第53-54页 |
| 5.3 参数选择算法优化性能 | 第54-58页 |
| 5.3.1 参数选择算法性能 | 第55-56页 |
| 5.3.2 结合GPU优化的参数选择过程性能 | 第56-57页 |
| 5.3.3 结合交叉验证过程的参数选择过程优化性能 | 第57-58页 |
| 5.4 本章小结 | 第58-59页 |
| 总结与展望 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 攻读硕士学位期间取得的研究成果 | 第63-65页 |
| 致谢 | 第65-66页 |
| 附件 | 第66页 |
