| 摘要 | 第1-4页 |
| Abstract | 第4-6页 |
| 目录 | 第6-9页 |
| 第一章 绪论 | 第9-13页 |
| ·研究背景 | 第9-10页 |
| ·研究现状 | 第10-11页 |
| ·基于无线传感器网络的土遗址保护研究现状 | 第10页 |
| ·支持向量机研究现状 | 第10-11页 |
| ·本文主要工作及全文结构 | 第11-13页 |
| 第二章 支持向量机理论 | 第13-25页 |
| ·统计学习理论 | 第13-17页 |
| ·机器学习问题 | 第13-14页 |
| ·经验风险最小化 | 第14-15页 |
| ·VC维 | 第15页 |
| ·推广性的界 | 第15-16页 |
| ·结构风险最小化 | 第16-17页 |
| ·支持向量机 | 第17-24页 |
| ·线性判别函数和判别面 | 第17-19页 |
| ·支持向量机基本原理 | 第19页 |
| ·线性支持向量机 | 第19-21页 |
| ·非线性支持向量机 | 第21-23页 |
| ·支持向量机的特点 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第三章 支持向量机多类分类算法 | 第25-37页 |
| ·多类分类问题的数学表述 | 第25页 |
| ·常用的多类分类方法 | 第25-30页 |
| ·一次性求解方法 | 第25-26页 |
| ·一对一方法 | 第26-27页 |
| ·一对多方法 | 第27-28页 |
| ·有向无环图法 | 第28-29页 |
| ·基于二叉树结构的多类支持向量机 | 第29-30页 |
| ·一种LDA和聚类融合的SVM多类分类方法 | 第30-36页 |
| ·基于模糊C均值聚类的SVM多类分类方法 | 第30-32页 |
| ·存在问题 | 第32页 |
| ·线性判别分析 | 第32-33页 |
| ·改进的基于LDA和聚类的SVM多类分类 | 第33-35页 |
| ·实验结果及分析 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第四章 基于支持向量机的土遗址形变监测 | 第37-55页 |
| ·无线传感器网络 | 第37-39页 |
| ·无线传感器网络的体系结构 | 第37-38页 |
| ·无线传感器网络的特点 | 第38-39页 |
| ·基于RSSI值的土遗址多级形变监测 | 第39-46页 |
| ·无线传感器网络中的测距技术 | 第39-41页 |
| ·支持向量机在基于RSSI的土遗址多级形变检测中的应用 | 第41-46页 |
| ·土遗址多级形变检测系统 | 第46-51页 |
| ·系统硬件设备 | 第46-47页 |
| ·节点通信技术 | 第47页 |
| ·节点软件设计 | 第47-51页 |
| ·仿真结果及分析 | 第51-53页 |
| ·本章小结 | 第53-55页 |
| 第五章 基于支持向量机的土遗址环境状态预测 | 第55-65页 |
| ·时间序列模型 | 第55-58页 |
| ·确定型时间序列模型 | 第55-56页 |
| ·随机型时间序列模型 | 第56-57页 |
| ·时间序列模型新方法 | 第57-58页 |
| ·基于SVM的时间序列预测建模 | 第58-59页 |
| ·基于SVM的土遗址环境状态预测 | 第59-63页 |
| ·土遗址环境状态预测模型的训练与预测 | 第59-62页 |
| ·预测结果分析 | 第62-63页 |
| ·本章小结 | 第63-65页 |
| 总结与展望 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 攻读硕士学位期间取得的学术成果 | 第73-75页 |
| 致谢 | 第75页 |