基于支持向量机的滑动式验证码人机识别研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-14页 |
| 1.1.1 研究背景 | 第10-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 国内外文献综述 | 第14-18页 |
| 1.2.1 国内文献综述 | 第14-16页 |
| 1.2.2 国外文献综述 | 第16-18页 |
| 1.3 主要研究内容 | 第18-20页 |
| 1.3.1 研究内容 | 第18-19页 |
| 1.3.2 研究框架 | 第19-20页 |
| 第二章 相关理论算法概述 | 第20-32页 |
| 2.1 Fisher判别算法 | 第20-22页 |
| 2.1.1 投影和判别函数 | 第20-21页 |
| 2.1.2 类别预测 | 第21-22页 |
| 2.1.3 Fisher判别的R实现 | 第22页 |
| 2.2 决策树算法 | 第22-24页 |
| 2.2.1 特征选择 | 第22-23页 |
| 2.2.2 决策树的生成 | 第23页 |
| 2.2.3 决策树的剪枝 | 第23-24页 |
| 2.2.4 决策树的R实现 | 第24页 |
| 2.3 支持向量机算法 | 第24-27页 |
| 2.3.1 线性可分支持向量机 | 第25页 |
| 2.3.2 线性支持向量机 | 第25-26页 |
| 2.3.3 非线性支持向量机 | 第26-27页 |
| 2.3.4 支持向量机的R实现 | 第27页 |
| 2.4 神经网络算法 | 第27-32页 |
| 2.4.1 节点模型 | 第28页 |
| 2.4.2 BP神经网络 | 第28-29页 |
| 2.4.3 BP神经网络算法流程 | 第29-31页 |
| 2.4.4 BP神经网络的R实现 | 第31-32页 |
| 第三章 实证研究 | 第32-43页 |
| 3.1 数据描述与处理 | 第32-34页 |
| 3.1.1 数据描述 | 第32-33页 |
| 3.1.2 数据预处理 | 第33-34页 |
| 3.2 判别分析模型的建立 | 第34-36页 |
| 3.2.1 建立判别分析模型 | 第34-35页 |
| 3.2.2 结果分析 | 第35-36页 |
| 3.3 决策树分类模型的建立 | 第36-39页 |
| 3.3.1 建立决策树分类模型 | 第36-37页 |
| 3.3.2 结果分析 | 第37-39页 |
| 3.4 支持向量机分类模型的建立 | 第39-40页 |
| 3.4.1 建立支持向量机模型 | 第39页 |
| 3.4.2 结果分析 | 第39-40页 |
| 3.5 神经网络模型的建立 | 第40-43页 |
| 3.5.1 建立神经网络模型 | 第40-41页 |
| 3.5.2 结果分析 | 第41-43页 |
| 第四章 模型评价 | 第43-46页 |
| 4.1 评价标准 | 第43-44页 |
| 4.2 模型比较 | 第44-46页 |
| 结论与展望 | 第46-48页 |
| 参考文献 | 第48-52页 |
| 致谢 | 第52-53页 |
| 附录A (攻读学位期间发表论文目录) | 第53页 |
