支持向量机增量学习算法的研究与应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 选题背景及其研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 支持向量机的国内外研究现状 | 第10-11页 |
| 1.2.2 支持向量机增量学习国内外研究现状 | 第11-13页 |
| 1.3 存在的问题 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 第二章 增量学习与支持向量机理论基础 | 第16-24页 |
| 2.1 增量学习 | 第16-18页 |
| 2.2 支持向量机 | 第18-23页 |
| 2.2.1 线性支持向量机 | 第19-21页 |
| 2.2.2 非线性支持向量机 | 第21-22页 |
| 2.2.3 核函数 | 第22-23页 |
| 2.3 多分类支持向量机 | 第23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 支持向量机边界向量预选取算法及仿真研究 | 第24-36页 |
| 3.1 边界向量与边界向量预选取 | 第24-25页 |
| 3.1.1 边界向量的定义 | 第24-25页 |
| 3.1.2 边界向量预选取思路 | 第25页 |
| 3.2 改进的边界向量预选取算法 | 第25-30页 |
| 3.2.1 线性可分与非线性可分数据集间距离 | 第25-27页 |
| 3.2.2 k近邻选取边界向量集合算法 | 第27-28页 |
| 3.2.3 改进的k近邻边界向量集合选取算法 | 第28-30页 |
| 3.3 基于边界向量的支持向量机算法 | 第30-31页 |
| 3.4 仿真实验及结果分析 | 第31-35页 |
| 3.4.1 实验设计 | 第31-32页 |
| 3.4.2 实验结果及分析 | 第32-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 支持向量机增量学习算法的研究及仿真 | 第36-50页 |
| 4.1 SVM增量学习的基本概念 | 第36-37页 |
| 4.1.1 经典的SVM增量学习算法 | 第36-37页 |
| 4.2 增量过程分析 | 第37-41页 |
| 4.2.1 KKT条件与样本分布的关系 | 第37-38页 |
| 4.2.2 增量学习后支持向量集的变化情况 | 第38-40页 |
| 4.2.3 基于KKT条件的增量学习算法 | 第40-41页 |
| 4.3 SVM增量学习算法的改进 | 第41-45页 |
| 4.3.1 基于中心密度的改进非SV集选取方法 | 第41-43页 |
| 4.3.2 基于边界向量的支持向量机增量学习 | 第43页 |
| 4.3.3 算法实现过程 | 第43-45页 |
| 4.4 SVM增量学习算法的比较及仿真 | 第45-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 SVM增量学习在乳腺组织中的分类应用 | 第50-57页 |
| 5.1 实验设计 | 第50-52页 |
| 5.2 实验结果及分析 | 第52-56页 |
| 5.3 本章小结 | 第56-57页 |
| 总结与展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 附录（攻读学位期间发表论文目录） | 第64页 |
