| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 相关领域的研究现状 | 第9-13页 |
| 1.2.1 支持向量机及其增量学习技术 | 第9-11页 |
| 1.2.2 基于机器视觉的道路识别技术 | 第11-13页 |
| 1.3 主要研究内容 | 第13页 |
| 1.4 论文的组织结构 | 第13-15页 |
| 2 增量学习与图像特征提取 | 第15-27页 |
| 2.1 机器学习的基本问题 | 第15-16页 |
| 2.2 统计学习理论 | 第16-17页 |
| 2.2.1 学习一致性与VC维理论 | 第16-17页 |
| 2.2.2 结构风险最小化 | 第17页 |
| 2.3 支持向量机 | 第17-21页 |
| 2.3.1 最优分类面 | 第17-18页 |
| 2.3.2 线性支持向量机 | 第18-20页 |
| 2.3.3 非线性支持向量机 | 第20-21页 |
| 2.4 支持向量回归机 | 第21-23页 |
| 2.4.1 线性支持向量回归机 | 第22-23页 |
| 2.4.2 非线性支持向量回归机 | 第23页 |
| 2.5 支持向量机的增量学习 | 第23-25页 |
| 2.5.1 支持向量 | 第23-24页 |
| 2.5.2 Karush-Kuhn-Tucher(KKT)条件 | 第24-25页 |
| 2.6 基于滑动窗口的图像特征提取 | 第25-26页 |
| 2.7 本章小结 | 第26-27页 |
| 3 基于双支持向量机的增量学习算法 | 第27-36页 |
| 3.1 双支持向量机(TSVM) | 第27-29页 |
| 3.2 双支持向量机的增量学习算法 | 第29-32页 |
| 3.3 仿真实验与分析 | 第32-35页 |
| 3.3.1 UCI数据集 | 第32-34页 |
| 3.3.2 Road数据集 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 4 基于双支持向量回归机的增量学习算法 | 第36-46页 |
| 4.1 双支持向量回归机(TSVR) | 第36-37页 |
| 4.2 双支持向量回归机的增量学习算法 | 第37-40页 |
| 4.2.1 线性双支持向量回归机的增量学习算法 | 第37-39页 |
| 4.2.2 非线性双支持向量回归机的增量学习算法 | 第39-40页 |
| 4.2.3 计算复杂度分析 | 第40页 |
| 4.3 实验与分析 | 第40-45页 |
| 4.3.1 人工数据集 | 第41-43页 |
| 4.3.2 时间序列预测 | 第43-45页 |
| 4.3.3 Road数据集 | 第45页 |
| 4.4 本章小结 | 第45-46页 |
| 5 基于K-means特征的复杂环境下道路识别算法 | 第46-53页 |
| 5.1 算法概述 | 第46页 |
| 5.2 基于超像素的K-means特征提取方法 | 第46-49页 |
| 5.3 仿真实验与分析 | 第49-52页 |
| 5.4 本章小结 | 第52-53页 |
| 6 总结与展望 | 第53-55页 |
| 6.1 总结 | 第53页 |
| 6.2 展望 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 附录 | 第60页 |