| 摘要 | 第1-7页 |
| ABSTRACT | 第7-13页 |
| 第一章 绪论 | 第13-21页 |
| ·统计学习理论的发展 | 第13-14页 |
| ·支撑矢量机的发展 | 第14-18页 |
| ·本文的主要工作 | 第18-21页 |
| 第二章 统计学习理论与支撑矢量机 | 第21-37页 |
| ·统计学习理论 | 第21-28页 |
| ·学习问题的一般表示及经验风险最小化归纳原则 | 第22页 |
| ·学习过程一致性 | 第22-24页 |
| ·学习机器推广能力的界 | 第24-25页 |
| ·构造性的与分布无关的界 | 第25-26页 |
| ·控制学习过程的推广能力 | 第26-27页 |
| ·构造学习算法 | 第27-28页 |
| ·支撑矢量机(SVM) | 第28-34页 |
| ·KKT 条件及核的 Mercer条件 | 第28-30页 |
| ·最优超平面 | 第30-31页 |
| ·支撑矢量分类 | 第31-34页 |
| ·支撑矢量机的几何特性 | 第34-37页 |
| 第三章 支撑矢量模糊预选取 | 第37-53页 |
| ·引言 | 第37-39页 |
| ·模糊预选取 | 第39-45页 |
| ·邻近支撑矢量机(Proximal SVM，PSVM) | 第39-42页 |
| ·模糊预选规则 | 第42-45页 |
| ·实验结果 | 第45-51页 |
| ·人造数据实验结果 | 第45-47页 |
| ·基准数据实验结果 | 第47-51页 |
| ·小结与讨论 | 第51-53页 |
| 第四章 模糊多类支撑矢量机 | 第53-63页 |
| ·引言 | 第53页 |
| ·多类支撑矢量机的分类机理 | 第53-54页 |
| ·模糊多类支撑矢量机 | 第54-56页 |
| ·仿真实验 | 第56-62页 |
| ·基准数据识别 | 第56-58页 |
| ·手写体数字识别 | 第58-59页 |
| ·高分辨雷达目标一维距离像识别 | 第59-62页 |
| ·小结与讨论 | 第62-63页 |
| 第五章 基于遗传算法的SVM模型自动选择 | 第63-77页 |
| ·引言 | 第63-64页 |
| ·问题的提出 | 第64-66页 |
| ·支撑矢量分类器 | 第64-65页 |
| ·模型选择性能指标 | 第65-66页 |
| ·基于实值遗传算法的 SVM模型自动选择 | 第66-69页 |
| ·实验结果 | 第69-74页 |
| ·Heart基准数集实验结果 | 第69-71页 |
| ·二值遥感军事目标实验结果 | 第71-74页 |
| ·小结 | 第74-77页 |
| 第六章 支撑矢量机泛化性能比较 | 第77-93页 |
| ·引言 | 第77页 |
| ·基于指数编码遗传算法的 SVM模型自动选择 | 第77-78页 |
| ·泛化性能指标 | 第78-81页 |
| ·单一验证集估计(Single validation estimate) | 第78页 |
| ·改进的半径-间隔界(Modified radius-margin bound) | 第78-79页 |
| ·支撑矢量数界(Support vector count) | 第79页 |
| ·测试错误概率界(Testing error probability bound) | 第79-80页 |
| ·近似跨度界(Approximate span bound) | 第80页 |
| ·风险界(Risk bound) | 第80-81页 |
| ·基准数集实验结果 | 第81-92页 |
| ·泛化性能指标随模型参数的变化 | 第81-84页 |
| ·泛化性能指标比较 | 第84-92页 |
| ·小结 | 第92-93页 |
| 第七章 一种新的支撑矢量机泛化性能指标 | 第93-105页 |
| ·引言 | 第93-94页 |
| ·理论基础 | 第94-97页 |
| ·新的泛化性能指标 | 第97-98页 |
| ·实验结果 | 第98-104页 |
| ·小结 | 第104-105页 |
| 第八章 结论与展望 | 第105-109页 |
| 致谢 | 第109-111页 |
| 参考文献 | 第111-129页 |
| 攻读博士学位期间(合作)撰写的学术论文 | 第129-130页 |
| 攻读博士学位期间参加的科研工作 | 第130页 |
