基于AdaBoost迭代学习的支持向量机分类算法
| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-9页 |
| 1 绪论 | 第9-17页 |
| ·研究背景 | 第9-10页 |
| ·研究现状 | 第10-14页 |
| ·统计学习理论 | 第10-11页 |
| ·SVM的国内外研究现状 | 第11-12页 |
| ·AdaBoost算法的研究现状 | 第12-14页 |
| ·研究内容 | 第14-15页 |
| ·本文的组织 | 第15-17页 |
| 2 支持向量机及概述 | 第17-24页 |
| ·支持向量机理论背景 | 第17-18页 |
| ·支持向量机的数学模型 | 第18-22页 |
| ·线性可分情况 | 第19-21页 |
| ·线性不可分情况 | 第21页 |
| ·非线性情况 | 第21-22页 |
| ·核函数 | 第22-23页 |
| ·支持向量机的发展方向 | 第23页 |
| ·本章小结 | 第23-24页 |
| 3 AdaBoost算法原理及分析 | 第24-31页 |
| ·机器学习 | 第24-25页 |
| ·Boosting方法 | 第25页 |
| ·AdaBoost算法 | 第25-30页 |
| ·AdaBoost算法原理 | 第26页 |
| ·AdaBoost训练算法 | 第26-30页 |
| ·AdaBoost算法理论分析 | 第30页 |
| ·本章小结 | 第30-31页 |
| 4 基于AdaBoost迭代学习的SVM分类算法 | 第31-45页 |
| ·核函数的选择 | 第31-33页 |
| ·训练算法 | 第33-39页 |
| ·SMO算法思想 | 第34-37页 |
| ·SMO算法框架 | 第37-38页 |
| ·SMO算法的优点 | 第38页 |
| ·SMO的改进算法研究 | 第38-39页 |
| ·参数选择 | 第39-41页 |
| ·AdaBoost-SVM算法设计 | 第41-44页 |
| ·本章小结 | 第44-45页 |
| 5 实验过程与分析 | 第45-52页 |
| ·实验数据介绍 | 第45-46页 |
| ·所用实验工具简介 | 第46-49页 |
| ·Libsvm软件包简介 | 第46-47页 |
| ·Libsvm使用方法 | 第47-49页 |
| ·实验步骤说明 | 第49-50页 |
| ·实验结果及分析对比 | 第50-51页 |
| ·本章总结 | 第51-52页 |
| 6 总结与展望 | 第52-54页 |
| ·总结 | 第52页 |
| ·展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 附录:作者攻读硕士学位期间发表论文及科研情况 | 第57-58页 |
| 致谢 | 第58-59页 |
