| 摘要 | 第1-5页 |
| ABSTRACT | 第5-11页 |
| 第一章 绪论 | 第11-17页 |
| ·研究背景 | 第11-13页 |
| ·海量数据的挑战 | 第11页 |
| ·数据挖掘和机器学习技术 | 第11-12页 |
| ·数据挖掘和机器学习技术研究带来的希望 | 第12-13页 |
| ·支持向量机研究现状和研究要点 | 第13-14页 |
| ·本文的贡献 | 第14-15页 |
| ·本文的安排 | 第15-17页 |
| 第二章 研究基础 | 第17-27页 |
| ·统计学习理论 | 第17-21页 |
| ·学习模型 | 第17页 |
| ·经验风险最小化模型（Empirical risk minimization model, ERM） | 第17-18页 |
| ·VC 维和结构风险最小化模型 | 第18-21页 |
| ·最优化问题及其基本理论 | 第21-23页 |
| ·最优化模型 | 第21-22页 |
| ·KKT 条件 | 第22页 |
| ·对偶理论 | 第22-23页 |
| ·支持向量机 | 第23-27页 |
| ·支持向量机分类 | 第23-25页 |
| ·支持向量机回归 | 第25-27页 |
| 第三章 支持向量机快速算法研究 | 第27-46页 |
| ·引言 | 第27页 |
| ·多拉格朗日乘子协同优化的支持向量学习框架 | 第27-33页 |
| ·支持向量机和KKT 条件 | 第27-28页 |
| ·多拉格朗日乘子协同优化的SVM 学习框架 | 第28-31页 |
| ·可行域边界 | 第31-33页 |
| ·MLSVM 框架下的快速算法研究 | 第33-35页 |
| ·MLSVM1 | 第33页 |
| ·MLSVM2 | 第33页 |
| ·多乘子优化的局限性 | 第33页 |
| ·MLSVM3 | 第33-35页 |
| ·MLSVM1、MLSVM2、MLSVM3 实验 | 第35-38页 |
| ·MLSVM4 快速算法研究 | 第38-44页 |
| ·算法KKT 条件 | 第39页 |
| ·修正的多乘子协同优化框架 | 第39-40页 |
| ·MLSVM4 算法构造和算法描述 | 第40-41页 |
| ·MLSVM4 实验 | 第41-44页 |
| ·B 值的选取问题 | 第44-45页 |
| ·MLSVM 框架的讨论 | 第45页 |
| ·快速算法的研究趋势 | 第45-46页 |
| 第四章 支持向量机回归研究 | 第46-55页 |
| ·引言 | 第46-47页 |
| ·基于分类的SVM 非线性回归算法（CSVR） | 第47-53页 |
| ·支持向量回归算法(SVR) | 第47-48页 |
| ·CSVR 原理 | 第48-49页 |
| ·CSVR 网络训练算法 | 第49-50页 |
| ·CSVR 回归算法 | 第50-51页 |
| ·回归评估标准 | 第51页 |
| ·CSVR 回归算法实验 | 第51-53页 |
| ·CSVR 算法讨论 | 第53页 |
| ·支持向量回归的进一步研究 | 第53-55页 |
| 第五章 支持向量机核函数研究 | 第55-77页 |
| ·引言 | 第55页 |
| ·核函数基本概念和常见的核函数 | 第55-59页 |
| ·核的性质 | 第56-57页 |
| ·常见的核函数 | 第57-58页 |
| ·一维核函数和多维核函数的关系 | 第58-59页 |
| ·核参数的优化选择 | 第59-62页 |
| ·核函数参数实验 | 第59-61页 |
| ·惩罚系数C 的研究 | 第61-62页 |
| ·兼顾样本空间和特征空间相似度的核 | 第62-66页 |
| ·兼顾样本空间和特征空间相似度核的构造 | 第62-63页 |
| ·组合之后的核函数和原核函数的关系 | 第63-64页 |
| ·核函数实验 | 第64-66页 |
| ·讨论 | 第66页 |
| ·切比雪夫多项式核研究 | 第66-76页 |
| ·切比雪夫多项式 | 第66-67页 |
| ·正交性 | 第67页 |
| ·函数的切比雪夫展开式 | 第67-68页 |
| ·切比雪夫核函数的证明 | 第68页 |
| ·正交切比雪夫核的实例 | 第68-71页 |
| ·实验 | 第71-75页 |
| ·讨论 | 第75-76页 |
| ·支持向量机核函数的进一步研究 | 第76-77页 |
| 第六章 支持向量机在原木图像缺陷识别中的应用 | 第77-85页 |
| ·应用背景 | 第77页 |
| ·原木CT 图像预处理 | 第77-79页 |
| ·基于SVM 的原木截面图像缺陷识别 | 第79-80页 |
| ·实验 | 第79-80页 |
| ·讨论 | 第80页 |
| ·原木CT 图像的三维重建和虚拟切削 | 第80-82页 |
| ·基于SVM 的原木CT 图像3D 缺陷识别 | 第82-84页 |
| ·改进的训练样本取样 | 第82-83页 |
| ·原木中3D 缺陷的支持向量机识别 | 第83-84页 |
| ·讨论 | 第84-85页 |
| 第七章 总结与展望 | 第85-87页 |
| ·论文总结 | 第85页 |
| ·未来工作展望 | 第85-87页 |
| 攻读博士学位期间所发表的论文和参加的基金项目 | 第87-89页 |
| 参考文献 | 第89-97页 |
| 致谢 | 第97页 |