准线性的支持向量机训练子集划分的分析与研究
| 摘要 | 第8-9页 |
| Abstract | 第9页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 国内外发展现状 | 第11-12页 |
| 1.3 本文研究内容 | 第12-13页 |
| 1.4 本文组织结构 | 第13-15页 |
| 第二章 支持向量机及相关的理论基础 | 第15-27页 |
| 2.1 机器学习 | 第15-16页 |
| 2.2 经验风险最小化原理 | 第16-19页 |
| 2.3 支持向量机 | 第19-23页 |
| 2.4 聚类方法概述 | 第23-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 准线性支持向量机 | 第27-34页 |
| 3.1 风险最小化原则 | 第27-28页 |
| 3.2 结构风险最小化原则 | 第28-29页 |
| 3.3 准线性核函数的推导 | 第29-33页 |
| 3.4 准线性核函数的构成 | 第33页 |
| 3.5 本章小结 | 第33-34页 |
| 第四章 改进的聚类合并算法 | 第34-40页 |
| 4.1 分类边界检测 | 第34-35页 |
| 4.2 层次聚类法 | 第35-36页 |
| 4.3 基于PCA判定的聚类合并 | 第36-38页 |
| 4.3.1 主成分分析法的计算步骤 | 第36-37页 |
| 4.3.2 基于PCA的聚类合并技术 | 第37-38页 |
| 4.4 局部子集的训练 | 第38-39页 |
| 4.5 本章小结 | 第39-40页 |
| 第五章 合成数据与仿真实验 | 第40-48页 |
| 5.1 开发环境 | 第40页 |
| 5.2 合成数据 | 第40-42页 |
| 5.3 基准数据集数据测试 | 第42-48页 |
| 5.3.1 评估矩阵 | 第43-44页 |
| 5.3.2 在基准数据集上的仿真实验 | 第44-48页 |
| 第六章 总结与展望 | 第48-51页 |
| 6.1 总结 | 第48-49页 |
| 6.2 展望 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 致谢 | 第55页 |
