| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 研究现状 | 第15-18页 |
| 1.2.1 双支持向量机的研究现状 | 第15-16页 |
| 1.2.2 稀疏LSSVM的研究现状 | 第16-17页 |
| 1.2.3 稀疏双LSSVM的研究现状 | 第17-18页 |
| 1.3 本文的研究内容与结构安排 | 第18-20页 |
| 1.3.1 本文的研究内容 | 第18页 |
| 1.3.2 本文的结构安排 | 第18-20页 |
| 第二章 理论背景 | 第20-30页 |
| 2.1 支持向量机 | 第20-21页 |
| 2.2 最小二乘支持向量机 | 第21-23页 |
| 2.3 双支持向量机 | 第23-26页 |
| 2.3.1 线性双支持向量机 | 第23-25页 |
| 2.3.2 非线性双支持向量机 | 第25-26页 |
| 2.4 最小二乘双支持向量机 | 第26-27页 |
| 2.5 改进的最小二乘双支持向量机 | 第27-28页 |
| 2.5.1 线性双ILSSVM | 第28页 |
| 2.5.2 非线性双ILSSVM | 第28页 |
| 2.6 总结 | 第28-30页 |
| 第三章 双LSSVM的增量学习 | 第30-44页 |
| 3.1 增量学习和矩阵求逆分解定理 | 第30-31页 |
| 3.1.1 增量学习算法 | 第30-31页 |
| 3.1.2 矩阵求逆分解定理 | 第31页 |
| 3.2 SMI-双LSSVM增量学习算法 | 第31-34页 |
| 3.2.1 线性SMI-双LSSVM增量学习算法 | 第31-33页 |
| 3.2.2 线性SMI-双LSSVM增量学习算法 | 第33-34页 |
| 3.3 实验结果及分析 | 第34-42页 |
| 3.3.1 人工生成的数据实验 | 第34-36页 |
| 3.3.2 UCI数据集的实验结果 | 第36-40页 |
| 3.3.3 随机样本子集的大小k对实验结果的影响 | 第40-42页 |
| 3.4 结论 | 第42-44页 |
| 第四章 双LSSVM的稀疏算法研究 | 第44-56页 |
| 4.1 基础理论 | 第44-45页 |
| 4.2 最小二乘双支持向量机(双LSSVM)的稀疏性 | 第45-49页 |
| 4.2.1 理论推导 | 第45-47页 |
| 4.2.2 训练样本集的稀疏化 | 第47-48页 |
| 4.2.3 稀疏的双LSSVM算法 | 第48-49页 |
| 4.3 实验仿真与分析 | 第49-55页 |
| 4.3.1 线性分类 | 第49-51页 |
| 4.3.2 非线性分类 | 第51-53页 |
| 4.3.3 两类问题中参数ξ的取值 | 第53-55页 |
| 4.4 结论 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 全文总结 | 第56-57页 |
| 5.2 全文展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-64页 |
| 作者简介 | 第64-65页 |