基于大规模训练集的SVM研究
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-19页 |
| ·研究背景及意义 | 第11-12页 |
| ·国内外研究现状 | 第12-15页 |
| ·研究内容和研究方法 | 第15-16页 |
| ·本文的研究内容 | 第15-16页 |
| ·研究方法 | 第16页 |
| ·论文的主要研究点 | 第16-17页 |
| ·本文组织结构 | 第17-19页 |
| 第2章 基础知识 | 第19-25页 |
| ·SVM 简介 | 第19-21页 |
| ·SVM 特点 | 第19-20页 |
| ·SVM 应用 | 第20-21页 |
| ·损失函数和期望风险 | 第21-23页 |
| ·学习问题 | 第21-22页 |
| ·概率分布 | 第22页 |
| ·损失函数 | 第22页 |
| ·期望风险 | 第22-23页 |
| ·统计学习理论 | 第23-24页 |
| ·VC 维 | 第23页 |
| ·经验风险最小化 | 第23-24页 |
| ·结构风险最小化 | 第24页 |
| ·本章小结 | 第24-25页 |
| 第3章 基于淘汰机制的增量学习算法 | 第25-41页 |
| ·增量学习基本算法 | 第25-27页 |
| ·基本概念 | 第27-32页 |
| ·SVM 的分类机理 | 第28页 |
| ·SVM 概念 | 第28-30页 |
| ·凸函数与凸规划 | 第30页 |
| ·KKT 条件 | 第30-31页 |
| ·对偶理论 | 第31-32页 |
| ·Mercer 条件 | 第32页 |
| ·增量学习的关键问题 | 第32-33页 |
| ·基于淘汰机制的增量学习 | 第33-38页 |
| ·增量样本与KKT 条件的关系 | 第33-34页 |
| ·新增样本后支持向量变化分析 | 第34-36页 |
| ·改进的增量学习淘汰算法 | 第36-38页 |
| ·算法分析 | 第38页 |
| ·实验 | 第38-39页 |
| ·本章小结 | 第39-41页 |
| 第4章 基于LSSVM 的组合核函数方法 | 第41-55页 |
| ·最小二乘支持向量机 | 第41-42页 |
| ·核模型的选择 | 第42-45页 |
| ·核函数 | 第42-43页 |
| ·核函数的性质 | 第43-44页 |
| ·组合核函数 | 第44-45页 |
| ·检验方法 | 第45页 |
| ·基于LSSVM 组合核的关键问题 | 第45-46页 |
| ·基于LSSVM 的组合核函数 | 第46-49页 |
| ·LSSVM 的矩阵表示 | 第46-48页 |
| ·基于LSSVM 的组合核函数 | 第48-49页 |
| ·SVM 参数的选取 | 第49-52页 |
| ·C 的选取 | 第50页 |
| ·高斯核参数的选取 | 第50-51页 |
| ·多项式核参数的选取 | 第51-52页 |
| ·实验 | 第52-54页 |
| ·实验环境设置 | 第52页 |
| ·实验数据 | 第52-53页 |
| ·实验结果及分析 | 第53-54页 |
| ·本章小结 | 第54-55页 |
| 第5章 两类向多类问题的推广 | 第55-66页 |
| ·引言 | 第55页 |
| ·多类分类方法 | 第55-59页 |
| ·基于二叉树多类分类方法 | 第59-60页 |
| ·二叉树的划分 | 第60-62页 |
| ·改进的二叉树多类分类方法 | 第62-64页 |
| ·算法思想 | 第62页 |
| ·聚类分析 | 第62-63页 |
| ·算法描述 | 第63-64页 |
| ·算法分析 | 第64页 |
| ·本章小结 | 第64-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第74-75页 |
| 致谢 | 第75-76页 |
| 作者简介 | 第76页 |
