核方法的研究及其应用
| 致谢 | 第1-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-13页 |
| 第一章 绪论 | 第13-23页 |
| ·研究背景 | 第13-14页 |
| ·核方法的研究现状 | 第14-19页 |
| ·核方法的应用 | 第19-21页 |
| ·本论文研究的主要内容 | 第21页 |
| ·本论文的体系结构 | 第21-23页 |
| 第二章 模式分析的核方法 | 第23-51页 |
| ·核方法原理及常用方法分类 | 第23-25页 |
| ·核方法原理 | 第23-24页 |
| ·常用的核方法分类 | 第24-25页 |
| ·统计学习理论 | 第25-29页 |
| ·经验风险最小化归纳原则 | 第26页 |
| ·VC维 | 第26-27页 |
| ·学习机泛化能力的界 | 第27页 |
| ·结构风险最小化归纳原则 | 第27-29页 |
| ·支持向量机 | 第29-34页 |
| ·线性支持向量机 | 第29-33页 |
| ·非线性支持向量机 | 第33-34页 |
| ·支持向量机变形算法 | 第34-45页 |
| ·最小二乘支持向量机 | 第35-36页 |
| ·υ支持向量机 | 第36-38页 |
| ·加权支持向量机 | 第38-39页 |
| ·简约支持向量机 | 第39页 |
| ·一类支持向量机 | 第39-40页 |
| ·支持向量回归机 | 第40-45页 |
| ·核函数 | 第45-50页 |
| ·核函数理论与性质 | 第45-48页 |
| ·常用核函数 | 第48-49页 |
| ·结构数据的核函数 | 第49-50页 |
| ·模型的选择 | 第50页 |
| ·小结 | 第50-51页 |
| 第三章 基于协同聚类的支持向量机 | 第51-72页 |
| ·引言 | 第51页 |
| ·相关工作 | 第51-52页 |
| ·协同聚类 | 第52-57页 |
| ·生物学背景 | 第52-53页 |
| ·模糊C均值聚类 | 第53-55页 |
| ·协同聚类 | 第55-57页 |
| ·基于协同聚类的支持向量分类机 | 第57-62页 |
| ·基于协同聚类的二类支持向量机 | 第57-59页 |
| ·基于协同聚类的多类支持向量机 | 第59-62页 |
| ·几种支持向量回归机 | 第62-65页 |
| ·v支持向量回归机 | 第62-64页 |
| ·改进的最小二乘支持向量回归机 | 第64-65页 |
| ·基于协同聚类的支持向量回归机 | 第65-67页 |
| ·实验 | 第67-71页 |
| ·分类实验 | 第67-70页 |
| ·回归实验 | 第70-71页 |
| ·小结 | 第71-72页 |
| 第四章 基于协同聚类的RBF神经网络 | 第72-81页 |
| ·引言 | 第72-73页 |
| ·相关工作 | 第73页 |
| ·RBF神经网络 | 第73-76页 |
| ·基于协同聚类的RBF神经网络 | 第76-77页 |
| ·实验 | 第77-80页 |
| ·人工数据集 | 第78-79页 |
| ·标准数据集 | 第79-80页 |
| ·小结 | 第80-81页 |
| 第五章 一种新的多镜像分类器 | 第81-91页 |
| ·引言 | 第81-83页 |
| ·镜像分类器 | 第83-85页 |
| ·镜像分类器的组合 | 第85-87页 |
| ·最小平方误差方法 | 第85-86页 |
| ·基于SVM的组合方法 | 第86-87页 |
| ·实验 | 第87-90页 |
| ·人工数据集 | 第88页 |
| ·标准数据集 | 第88-90页 |
| ·小结 | 第90-91页 |
| 第六章 核方法在农业虫害预测预报中的应用 | 第91-102页 |
| ·引言 | 第92-93页 |
| ·预测预报模型 | 第93-94页 |
| ·核方法在虫害预测预报中的应用 | 第94-101页 |
| ·基于核方法的预测预报系统模型 | 第95-96页 |
| ·支持向量回归机的SMO算法 | 第96-98页 |
| ·虫害的预测方法 | 第98-101页 |
| ·小结 | 第101-102页 |
| 第七章 结束语 | 第102-105页 |
| ·本文工作的总结 | 第102-103页 |
| ·后续研究工作的展望 | 第103-105页 |
| 参考文献 | 第105-113页 |
| 攻读博士期间发表和已录用的学术论文 | 第113-115页 |
