基于支持向量机的结构特征参数预处理方法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 1 绪论 | 第10-15页 |
| ·选题依据及研究意义 | 第10-11页 |
| ·研究现状 | 第11-12页 |
| ·本文主要工作及研究思路 | 第12-13页 |
| ·本文的组织结构 | 第13-14页 |
| ·本章小结 | 第14-15页 |
| 2 支持向量机算法基础 | 第15-28页 |
| ·机器学习问题 | 第15-17页 |
| ·机器学习的表述 | 第15-16页 |
| ·经验风险最小化原则 | 第16-17页 |
| ·统计学习理论 | 第17-19页 |
| ·VC 维 | 第17-18页 |
| ·结构风险最小化原则 | 第18-19页 |
| ·支持向量机算法 | 第19-27页 |
| ·支持向量分类机 | 第20-23页 |
| ·支持向量回归机 | 第23-27页 |
| ·本章小结 | 第27-28页 |
| 3 核函数方法及其构造技术研究 | 第28-46页 |
| ·核函数方法概述 | 第28-29页 |
| ·核函数方法理论 | 第29-31页 |
| ·核函数构造方法 | 第31-34页 |
| ·通过核函数的基本运算构造核函数 | 第31-33页 |
| ·利用 Hilbert 空间的再生性构造核函数 | 第33-34页 |
| ·复高斯小波核函数构造技术研究 | 第34-38页 |
| ·复高斯小波核函数的证明 | 第35-37页 |
| ·构建基于复高斯小波核函数的支持向量机 | 第37-38页 |
| ·实验结果与分析 | 第38-45页 |
| ·本章小结 | 第45-46页 |
| 4 支持向量机的结构特征参数预处理方法 | 第46-63页 |
| ·特征参数预处理的基本步骤 | 第46-47页 |
| ·小波包去噪技术 | 第47-51页 |
| ·小波包去噪技术原理 | 第47-50页 |
| ·小波包去噪技术的实现步骤 | 第50页 |
| ·利用小波包去噪的必要性 | 第50-51页 |
| ·数据归一化方法 | 第51-53页 |
| ·数据归一化原理 | 第51-52页 |
| ·数据归一化的必要性 | 第52-53页 |
| ·主成分分析方法 | 第53-56页 |
| ·主成分分析方法原理 | 第53-54页 |
| ·主成分分析方法的实现步骤 | 第54-56页 |
| ·主成分分析方法进行特征提取的必要性 | 第56页 |
| ·基于支持向量机分类预处理研究 | 第56-62页 |
| ·支持向量机多分类算法 | 第56-59页 |
| ·基于支持向量机一对一多分类改进算法 | 第59-61页 |
| ·实验及结果分析 | 第61-62页 |
| ·本章小结 | 第62-63页 |
| 5 结构特征参数预处理方法的实现与评估 | 第63-92页 |
| ·实验背景 | 第63-64页 |
| ·特征参数的获取 | 第64-74页 |
| ·模拟实验平台的搭建 | 第64-67页 |
| ·特征参数的获取 | 第67-74页 |
| ·特征参数前期预处理的实现 | 第74-81页 |
| ·特征参数前期预处理方法 | 第75-76页 |
| ·前期预处理实验及结果分析 | 第76-81页 |
| ·基于支持向量机特征参数预处理的实现及结果分析 | 第81-89页 |
| ·不同核函数方法对比 | 第81-82页 |
| ·不同分类算法对比 | 第82-87页 |
| ·通过回归预测验证特征参数预处理的效果 | 第87-89页 |
| ·支持向量机算法性能及实验结果分析 | 第89-91页 |
| ·本章小结 | 第91-92页 |
| 结论 | 第92-94页 |
| 致谢 | 第94-95页 |
| 参考文献 | 第95-100页 |
| 攻读硕士学位期间发表的学术论文及研究成果 | 第100页 |
