支持向量机预处理对SMO算法的改进研究

致谢	第1-5页
摘要	第5-6页
Abstract	第6-9页
1 绪论	第9-12页
·研究目的和意义	第9页
·研究现状	第9-11页
·研究内容	第11-12页
2 支持向量机理论	第12-26页
·统计学习基本理论	第12-17页
·学习问题的一般表示	第12-13页
·经验风险最小化	第13-14页
·结构风险最小化	第14-15页
·最优分离超平面	第15-16页
·核函数及Mercer定理	第16-17页
·支持向量机理论	第17-22页
·线性支持向量机	第17-19页
·非线性支持向量机	第19-21页
·显著特征和重要思想	第21-22页
·支持向量机的主要算法	第22-26页
·循环迭代算法	第22页
·增量学习算法	第22-23页
·SMO算法及其改进研究	第23-26页
3 改进的SMO算法	第26-43页
·样本取样SMO算法	第26-29页
·数据挖掘取样方法	第26-28页
·样本取样SMO算法	第28-29页
·样本取样SMO算法的改进思路	第29-31页
·提取边界样本的方法	第31-34页
·基于边界样本的样本取样SMO算法	第34-38页
·数值实验	第38-43页
·随机数据集仿真实验	第38-41页
·标准数据集仿真实验	第41-43页
结论	第43-45页
参考文献	第45-48页
作者简历	第48-50页
学位论文数据集	第50页