| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-15页 |
| ·课题背景及其研究意义 | 第9-12页 |
| ·机器学习的内容和发展 | 第9-10页 |
| ·支持向量机和支持张量机算法概述 | 第10-11页 |
| ·支持向量机和支持张量机的研究现状 | 第11-12页 |
| ·支持向量机的应用 | 第12页 |
| ·本文的研究工作 | 第12页 |
| ·本文的研究内容安排 | 第12-15页 |
| 第二章 统计学习理论和支持向量机基本原理 | 第15-29页 |
| ·引言 | 第15页 |
| ·统计学习理论 | 第15-18页 |
| ·学习模型 | 第15-16页 |
| ·经验风险最小化原理 | 第16-17页 |
| ·VC 维理论 | 第17页 |
| ·推广性的界 | 第17页 |
| ·结构风险最小化原则 | 第17-18页 |
| ·支持向量机理论 | 第18-23页 |
| ·线性SVM 和广义SVM | 第19-21页 |
| ·核函数的概念 | 第21-22页 |
| ·非线性支持向量机 | 第22-23页 |
| ·支持向量机回归预测理论 ε -不敏感损失支持向量机回归 | 第23-24页 |
| ·常见的损失函数 | 第23-24页 |
| ·ε -不敏感损失支持向量机回归算法 | 第24页 |
| ·支持张量机理论 | 第24-27页 |
| ·张量表示 | 第24-25页 |
| ·支持张量机理论 | 第25-27页 |
| ·收敛证明 | 第27页 |
| ·本章小结 | 第27-29页 |
| 第三章 核支持张量机分类 | 第29-39页 |
| ·引言 | 第29页 |
| ·核方法的引入 张量核函数 | 第29-30页 |
| ·两类核支持张量机 | 第30-32页 |
| ·核支持张量机实验结果分析 | 第32-37页 |
| ·本章小结 | 第37-39页 |
| 第四章 模糊核支持张量机 | 第39-45页 |
| ·引言 | 第39页 |
| ·传统多类SVM 分类方法 | 第39-41页 |
| ·“一对多”模糊分类方法 | 第41-42页 |
| ·“一对一”模糊分类方法 | 第42-43页 |
| ·模糊核支持张量机多类分类实验结果分析 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第五章 核支持张量机回归 | 第45-51页 |
| ·引言 | 第45页 |
| ·核支持张量机回归算法 ε -不敏感损失核支持张量机回归 | 第45-48页 |
| ·核支持张量机回归实验结果分析 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 第六章 广义支持张量机 | 第51-57页 |
| ·引言 | 第51页 |
| ·广义支持张量机算法 | 第51-53页 |
| ·实验结果及其分析 | 第53-55页 |
| ·小结 | 第55-57页 |
| 第七章 总结与展望 | 第57-59页 |
| ·总结 | 第57页 |
| ·未来的研究 | 第57-59页 |
| 致谢 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 附录 作者在攻读硕士学位期间发表的论文 | 第65页 |