| 中文摘要 | 第4-6页 |
| 英文摘要 | 第6-8页 |
| 目录 | 第9-12页 |
| 第一章 绪论 | 第12-18页 |
| §1.1 课题研究背景与意义 | 第12-13页 |
| §1.2 国内外相关研究现状 | 第13-15页 |
| §1.2.1 支持向量机的相关研究 | 第13-14页 |
| §1.2.2 支持向量机增量学习的相关研究 | 第14-15页 |
| §1.3 本文主要工作概述 | 第15-18页 |
| §1.3.1 本文的主要研究内容 | 第15-16页 |
| §1.3.2 本文的组织结构 | 第16-18页 |
| 第二章 统计学习理论与支持向量机 | 第18-35页 |
| §2.1 机器学习的基本问题 | 第18-20页 |
| §2.1.1 机器学习 | 第18-19页 |
| §2.1.2 经验风险最小化 | 第19-20页 |
| §2.1.3 复杂性和推广能力 | 第20页 |
| §2.2 统计学习理论的核心内容 | 第20-24页 |
| §2.2.1 学习过程一致性的条件 | 第21-22页 |
| §2.2.2 VC维 | 第22页 |
| §2.2.3 推广性的界 | 第22页 |
| §2.2.4 结构风险最小化 | 第22-24页 |
| §2.3 支持向量机 | 第24-31页 |
| §2.3.1 最优分类面 | 第24-26页 |
| §2.3.2 线性可分支持向量分类机 | 第26-28页 |
| §2.3.3 线性不可分支持向量机 | 第28-29页 |
| §2.3.4 非线性支持向量机 | 第29-31页 |
| §2.4 支持向量回归机 | 第31-34页 |
| §2.4.1 线性ε-支持向量回归机 | 第32-33页 |
| §2.4.2 非线性ε-支持向量回归机 | 第33-34页 |
| §2.5 小结 | 第34-35页 |
| 第三章 基于Lagrangian支持向量机的增量学习算法 | 第35-64页 |
| §3.1 引言 | 第35-36页 |
| §3.2 Lagrangian支持向量机 | 第36-39页 |
| §3.3 Lagrangian支持向量机的在线增量学习算法 | 第39-47页 |
| §3.3.1 在线增量学习 | 第39-42页 |
| §3.3.2 在线增量学习算法 | 第42-43页 |
| §3.3.3 数值实验 | 第43-47页 |
| §3.3.4 结论 | 第47页 |
| §3.4 Lagrangian支持向量机的成批增量学习算法 | 第47-52页 |
| §3.4.1 数值实验 | 第50-52页 |
| §3.4.2 结论 | 第52页 |
| §3.5 Lagrangian支持向量机的减量学习算法 | 第52-58页 |
| §3.5.1 支持向量机的减量学习 | 第52-53页 |
| §3.5.2 Lagrangian支持向量机的减量学习算法 | 第53-56页 |
| §3.5.3 数值实验 | 第56-57页 |
| §3.5.4 结论 | 第57-58页 |
| §3.6 带有淘汰策略的增量和减量学习算法 | 第58-62页 |
| §3.6.1 样本选择策略 | 第58-59页 |
| §3.6.2 带有淘汰策略的增量和减量学习算法 | 第59-60页 |
| §3.6.3 数值实验 | 第60-62页 |
| §3.6.4 结论 | 第62页 |
| §3.7 小结 | 第62-64页 |
| 第四章 Lagrangian支持向量回归机的增量学习算法 | 第64-89页 |
| §4.1 引言 | 第64页 |
| §4.2 Lagrangian支持向量回归机 | 第64-68页 |
| §4.3 Lagrangian支持向量回归机的在线增量学习算法 | 第68-77页 |
| §4.3.1 在线增量回归学习算法 | 第69-73页 |
| §4.3.2 数值实验 | 第73-76页 |
| §4.3.3 结论 | 第76-77页 |
| §4.4 Lagrangian支持向量回归机的成批增量学习算法 | 第77-84页 |
| §4.4.1 成批增量回归学习算法 | 第78-81页 |
| §4.4.2 数值实验 | 第81-83页 |
| §4.4.3 结论 | 第83-84页 |
| §4.5 基于Lagrangian支持向量回归机的时间序列分析 | 第84-88页 |
| §4.5.1 时间序列分析 | 第84-86页 |
| §4.5.2 基于Lagrangian支持向量回归机的时间序列分析 | 第86-88页 |
| §4.6 小结 | 第88-89页 |
| 第五章 基于Lagrangian支持向量机的多分类算法 | 第89-107页 |
| §5.1 引言 | 第89-91页 |
| §5.2 基于Lagrangian支持向量机的多分类算法 | 第91-97页 |
| §5.2.1 一对多多分类Lagrangian支持向量机 | 第91-93页 |
| §5.2.2 一对一多分类Lagrangian支持向量机 | 第93-95页 |
| §5.2.3 数值实验 | 第95-97页 |
| §5.2.4 结论 | 第97页 |
| §5.3 Lagrangian支持向量机多分类在线增量学习 | 第97-105页 |
| §5.3.1 一对多多分类在线增量学习 | 第97-100页 |
| §5.3.2 一对一多分类在线增量学习 | 第100-103页 |
| §5.3.3 数值实验 | 第103-105页 |
| §5.4 小结 | 第105-107页 |
| 第六章 总结与展望 | 第107-110页 |
| §6.1 本文工作总结 | 第107-108页 |
| §6.2 工作展望 | 第108-110页 |
| 参考文献 | 第110-120页 |
| 攻读博士学位期间发表和完成的主要学术论文目录 | 第120-122页 |
| 致谢 | 第122页 |
