| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 前言 | 第7-13页 |
| ·研究背景 | 第7-8页 |
| ·选题意义 | 第8页 |
| ·国内外的研究现状和进展 | 第8-11页 |
| ·SVM算法的训练速度问题及其大规模数据问题的研究 | 第9-10页 |
| ·支持向量机模型选择问题的研究 | 第10-11页 |
| ·支持向量机对非平衡数据集分类问题的研究 | 第11页 |
| ·论文的主要研究内容及组织结构 | 第11-13页 |
| 2 支持向量机理论基础 | 第13-21页 |
| ·学习问题的模型 | 第13-14页 |
| ·经验风险最小化原则 | 第14-15页 |
| ·VC维 | 第15页 |
| ·推广能力的界 | 第15-16页 |
| ·结构风险最小化(SRM)原则 | 第16-17页 |
| ·支持向量机 | 第17-19页 |
| ·最优分类面 | 第17-18页 |
| ·线性支持向量机 | 第18-19页 |
| ·非线性支持向量机 | 第19页 |
| ·本章小结 | 第19-21页 |
| 3 基于自适应步长的支持向量机快速训练算法 | 第21-33页 |
| ·引言 | 第21页 |
| ·常见的启发式算法 | 第21-27页 |
| ·KKT条件 | 第21-22页 |
| ·块选算法(Chunking) | 第22-23页 |
| ·分解算法(Decomposition Algorithm) | 第23-24页 |
| ·序贯最小化算法(Sequential Minimal Optimization) | 第24-27页 |
| ·基于自适应步长的支持向量机快速训练算法 | 第27-29页 |
| ·D.Lai的改进算法 | 第27页 |
| ·D.Lai改进算法的不足 | 第27-28页 |
| ·基于自适应步长的支持向量机快速训练算法 | 第28-29页 |
| ·试验 | 第29-31页 |
| ·试验结果 | 第29-31页 |
| ·小结 | 第31-33页 |
| 4 基于人工免疫的支持向量机模型选择算法 | 第33-43页 |
| ·引言 | 第33页 |
| ·免疫学基本原理 | 第33-37页 |
| ·自然免疫系统机制 | 第34-36页 |
| ·自然免疫的学习进化 | 第36-37页 |
| ·人工免疫算法 | 第37-41页 |
| ·人工免疫算法基本结构 | 第37-38页 |
| ·亲和度评价算子 | 第38页 |
| ·克隆选择算法 | 第38-41页 |
| ·基于人工免疫的支持向量机模型选择算法 | 第41-42页 |
| ·算法基本思想 | 第41页 |
| ·算法步骤 | 第41-42页 |
| ·试验结果及分析 | 第42页 |
| ·小结 | 第42-43页 |
| 5 基于最小二乘支持向量机的非平衡分布数据分类算法 | 第43-53页 |
| ·支持向量机分类算法对不平衡数据集的性能分析 | 第43-46页 |
| ·不均衡数据集分类评价标准 | 第43-44页 |
| ·支持向量机算法对不平衡数据集的分类问题 | 第44-45页 |
| ·解决支持向量机对不平衡数据集的几种方法 | 第45-46页 |
| ·基于支持向量机增量学习的不平衡数据分类算法 | 第46-49页 |
| ·最小二乘支持向量机原理 | 第46-48页 |
| ·增量学习算法 | 第48页 |
| ·最小二乘支持向量机稀疏化算法 | 第48-49页 |
| ·基于支持向量机增量学习的不平衡数据分类算法 | 第49页 |
| ·实验 | 第49-51页 |
| ·实验内容 | 第49-51页 |
| ·小结 | 第51-53页 |
| 6 总结及展望 | 第53-55页 |
| ·本文总结 | 第53页 |
| ·今后的工作 | 第53-55页 |
| 致谢 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 附录 | 第61页 |
| 攻读硕士期间发表的论文 | 第61页 |
| 在校期间所获奖励 | 第61页 |
