自适应支持向量机及其在手写体汉字识别中的应用
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-6页 |
| 符号表 | 第6-11页 |
| 1 绪论 | 第11-18页 |
| ·机器学习概述 | 第11-12页 |
| ·选题依据及意义 | 第12-13页 |
| ·支持向量机的研究历史、现状及发展趋势 | 第13-15页 |
| ·支持向量机面临的主要问题 | 第15-16页 |
| ·论文研究内容与组织结构 | 第16-18页 |
| ·论文主要研究内容 | 第16-17页 |
| ·本文总体组织结构 | 第17-18页 |
| 2 统计学习理论及支持向量机基础 | 第18-38页 |
| ·统计学习理论 | 第18-24页 |
| ·学习问题模型 | 第18-20页 |
| ·VC 维 | 第20-21页 |
| ·学习过程一致性概念 | 第21-23页 |
| ·推广性的界及结构风险最小化 | 第23-24页 |
| ·支持向量机理论基础 | 第24-29页 |
| ·最优化问题 | 第25-26页 |
| ·对偶问题 | 第26-27页 |
| ·最优超平面 | 第27-29页 |
| ·支持向量分类机基本原理（SVM-C） | 第29-32页 |
| ·线性可分支持向量机 | 第29-31页 |
| ·线性不可分支持向量机 | 第31-32页 |
| ·核函数 | 第32-33页 |
| ·多分类支持向量机 | 第33-37页 |
| ·一对一支持向量机（1-vs-1 SVM） | 第34页 |
| ·一对多支持向量机（1-vs-all SVM） | 第34-35页 |
| ·决策树算法（DAGSVM） | 第35-36页 |
| ·确定多类目标函数方法 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 3 支持向量回归机 | 第38-49页 |
| ·回归问题的数学描述 | 第38-39页 |
| ·支持向量回归机(SVM-R) | 第39-47页 |
| ·ε-不敏感损失函数 | 第39-42页 |
| ·线性支持向量回归机 | 第42-45页 |
| ·非线性支持向量回归机 | 第45-47页 |
| ·回归型加权支持向量机算法(WSVM-R) | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 4 一种加权支持向量回归机新算法(AWSVR) | 第49-54页 |
| ·自适应问题提法 | 第49页 |
| ·自适应加权支持向量机(AWSVM) | 第49-51页 |
| ·实验验证 | 第51-53页 |
| ·实验结论 | 第53页 |
| ·本章小结 | 第53-54页 |
| 5 SVM 算法在手写体汉字识别中的应用 | 第54-70页 |
| ·手写体汉字识别简介 | 第54-56页 |
| ·预处理 | 第56-59页 |
| ·二值化 | 第56-57页 |
| ·平滑去噪 | 第57-58页 |
| ·细化处理(轮廓提取) | 第58-59页 |
| ·特征提取 | 第59-62页 |
| ·汉字的四方向分解 | 第59-60页 |
| ·网格 | 第60-61页 |
| ·特征提取 | 第61-62页 |
| ·实验数据介绍 | 第62-64页 |
| ·SVM 在手写体汉字识别中的应用（分类器） | 第64-69页 |
| ·支持向量机的模型选择和参数选择 | 第64页 |
| ·支持向量机的动态自适应(KA)算法 | 第64-66页 |
| ·基于KA 算法的核参数选择 | 第66页 |
| ·改进的KA 算法 | 第66-67页 |
| ·实验验证 | 第67-68页 |
| ·实验结论 | 第68-69页 |
| ·本章小结 | 第69-70页 |
| 6 总结与展望 | 第70-72页 |
| ·全文工作总结与回顾 | 第70页 |
| ·进一步研究展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-77页 |
| 附录 攻读硕士期间发表的论文目录 | 第77-78页 |
