快速支持向量机算法研究
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景 | 第10-14页 |
| 1.1.1 大数据时代的来临 | 第10-11页 |
| 1.1.2 机器学习 | 第11-12页 |
| 1.1.3 统计学习理论 | 第12-13页 |
| 1.1.4 支持向量机 | 第13-14页 |
| 1.2 问题与挑战 | 第14-16页 |
| 1.2.1 支持向量机在单机环境下的挑战 | 第14-15页 |
| 1.2.2 支持向量机在分布式环境下的挑战 | 第15-16页 |
| 1.3 本文的主要研究工作 | 第16-17页 |
| 1.3.1 缩减非支持向量加速支持向量机 | 第16-17页 |
| 1.3.2 重塑树形结构加速层叠支持向量机 | 第17页 |
| 1.4 论文结构 | 第17-19页 |
| 第二章 相关研究 | 第19-34页 |
| 2.1 引言 | 第19页 |
| 2.2 机器学习的基本方法 | 第19-22页 |
| 2.2.1 问题的形式化 | 第19-20页 |
| 2.2.2 结构风险最小化 | 第20-22页 |
| 2.2.3 模型评估 | 第22页 |
| 2.3 支持向量机算法理论 | 第22-30页 |
| 2.3.1 线性支持向量机 | 第23-25页 |
| 2.3.2 近似线性可分支持向量机 | 第25-27页 |
| 2.3.3 非线性可分支持向量机 | 第27-29页 |
| 2.3.4 支持向量 | 第29-30页 |
| 2.4 序列最小最优化算法及其优化 | 第30-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 基于方向指示器的支持向量机 | 第34-52页 |
| 3.1 引言 | 第34-35页 |
| 3.2 方向指示器 | 第35-38页 |
| 3.3 线性模型中非支持向量的识别 | 第38-44页 |
| 3.3.1 基于法向量的非支持向量的识别 | 第38-40页 |
| 3.3.2 基于方向指示器的非支持向量的识别 | 第40-41页 |
| 3.3.3 基于投票机制的非支持向量的确认 | 第41-43页 |
| 3.3.4 非支持向量识别的优化 | 第43-44页 |
| 3.4 非线性模型中非支持向量的识别 | 第44-46页 |
| 3.5 实验及分析 | 第46-51页 |
| 3.5.1 实验设置 | 第46-47页 |
| 3.5.2 实验结果 | 第47-51页 |
| 3.6 本章小结 | 第51-52页 |
| 第四章 多模混合层叠支持向量机 | 第52-67页 |
| 4.1 引言 | 第52-53页 |
| 4.2 层叠支持向量机 | 第53-55页 |
| 4.3 基于方向指示器支持向量机的并行化处理 | 第55-56页 |
| 4.4 自适应的层叠支持向量机停机算法 | 第56-59页 |
| 4.5 基于多模层叠支持向量机的预测算法 | 第59-63页 |
| 4.6 实验结果 | 第63-66页 |
| 4.6.1 实验模拟 | 第63-64页 |
| 4.6.2 实验结果分析 | 第64-66页 |
| 4.7 本章小结 | 第66-67页 |
| 第五章 结束语 | 第67-69页 |
| 5.1 工作总结 | 第67-68页 |
| 5.2 工作展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 作者在学期间取得的学术成果 | 第73页 |
