基于主成分分析的支持向量机划分地震相
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 1 绪论 | 第8-13页 |
| ·支持向量机的发展现状 | 第8页 |
| ·主成分分析与支持向量机结合的意义 | 第8-9页 |
| ·地震相划分的意义及现状 | 第9-11页 |
| ·地震相 | 第9-10页 |
| ·地震相划分的意义 | 第10页 |
| ·地震相划分的现状 | 第10-11页 |
| ·本文的研究内容及安排 | 第11-13页 |
| 2 主成分分析法概述 | 第13-17页 |
| ·主成分分析法原理 | 第13-14页 |
| ·主成分分析法的算法 | 第14-17页 |
| 3 支持向量机理论 | 第17-32页 |
| ·指示函数集的 VC维 | 第17-18页 |
| ·推广能力的界 | 第18-19页 |
| ·学习问题的一般表示 | 第18页 |
| ·推广能力的界 | 第18-19页 |
| ·结构风险最小化原则 | 第19-20页 |
| ·最优分类超平面 | 第20-24页 |
| ·最优超平面 | 第20-21页 |
| ·△-间隔分类超平面 | 第21-22页 |
| ·构造最优超平面 | 第22-24页 |
| ·支持向量机的基本原理 | 第24-26页 |
| ·支持向量机的基本原理 | 第24-25页 |
| ·构造 SVM | 第25-26页 |
| ·支持向量分类机 | 第26-31页 |
| ·分类问题的描述 | 第26-27页 |
| ·线性支持向量机 | 第27-29页 |
| ·非线性支持向量机 | 第29-31页 |
| ·本章小结 | 第31-32页 |
| 4 持向量分类机中算法的研究 | 第32-42页 |
| ·序贯最小优化(SMO)算法 | 第32-37页 |
| ·常用的优化算法 | 第32页 |
| ·SMO算法 | 第32-36页 |
| ·SMO算法步骤 | 第36页 |
| ·SMO算法的简要总结 | 第36页 |
| ·SMO的特点和优势 | 第36-37页 |
| ·支持向量机的多类分类算法 | 第37-41页 |
| ·“一对多”算法 | 第38页 |
| ·“一对一”算法 | 第38-39页 |
| ·基于 PCA的支持向量机编码的多类分类算法 | 第39-40页 |
| ·多类分类算法的比较 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 5 基于主成分分析的支持向量机划分地震相 | 第42-50页 |
| ·该分类算法的基本步骤 | 第42-43页 |
| ·实现基于 PCA的SVM划分地震相实验 | 第43-47页 |
| ·样本预处理 | 第43页 |
| ·对数据进行主成分分析 | 第43-44页 |
| ·支持向量机的决策函数的构造 | 第44-45页 |
| ·数据试验结果 | 第45-47页 |
| ·试验结果比较 | 第47-48页 |
| ·本章小结 | 第48-50页 |
| 6 结论与展望 | 第50-52页 |
| ·全文工作总结 | 第50页 |
| ·进一步工作展望 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 附录 | 第56页 |
