| 摘要 | 第1-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第10-16页 |
| ·研究背景及意义 | 第10-11页 |
| ·国内外研究现状 | 第11-15页 |
| ·支持向量机算法研究 | 第11-14页 |
| ·SVM 应用研究 | 第14-15页 |
| ·本文的主要工作及内容安排 | 第15-16页 |
| 第二章 支持向量机理论基础 | 第16-29页 |
| ·机器学习理论基础 | 第17-19页 |
| ·机器学习问题模型 | 第17-18页 |
| ·经验风险最小化原则 | 第18页 |
| ·模型复杂度与推广能力 | 第18-19页 |
| ·统计学习理论的基本思想 | 第19-21页 |
| ·VC 维理论 | 第19-20页 |
| ·推广性的界 | 第20页 |
| ·结构风险最小化原则 | 第20-21页 |
| ·支持向量机理论 | 第21-26页 |
| ·线性支持向量机 | 第21-24页 |
| ·非线性支持向量机 | 第24-25页 |
| ·核函数 | 第25-26页 |
| ·最小二乘支持向量机 | 第26-28页 |
| ·小结 | 第28-29页 |
| 第三章 LS-SVM 模型优化及参数选择 | 第29-40页 |
| ·概述 | 第29-30页 |
| ·模型选择对LS-SVM 的影响 | 第30-32页 |
| ·参数γ对分类器的影响 | 第30-31页 |
| ·核参数对分类器的影响 | 第31-32页 |
| ·基于EDA-DP 的LS-SVM 参数优化算法 | 第32-36页 |
| ·EDA-DP | 第33-35页 |
| ·使用EDA-DP 优化LS-SVM 模型 | 第35-36页 |
| ·评价函数的选择 | 第36页 |
| ·实验及结果分析 | 第36-38页 |
| ·UCI 基准数据集 | 第37-38页 |
| ·雷达目标HRRP 数据 | 第38页 |
| ·小结 | 第38-40页 |
| 第四章 LS-SVM 不平衡数据分类研究 | 第40-55页 |
| ·概述 | 第40页 |
| ·不平衡数据分类特性及评价准则 | 第40-43页 |
| ·不平衡数据分类特性 | 第40-42页 |
| ·不平衡数据分类性能评价准则 | 第42-43页 |
| ·SVM 分类器不平衡数据欠抽样技术研究 | 第43-46页 |
| ·常用欠抽样算法 | 第43-44页 |
| ·核特征空间欠抽样研究 | 第44-46页 |
| ·基于SBC-NCL 的LS-SVM 不平衡数据分类算法 | 第46-48页 |
| ·基于聚类-邻域清理的欠抽样算法 | 第46-48页 |
| ·基于SBC-NCL 的LS-SVM 不平衡数据分类 | 第48页 |
| ·实验及结果分析 | 第48-54页 |
| ·UCI 基准数据集 | 第49-51页 |
| ·雷达目标HRRP 数据 | 第51-54页 |
| ·小结 | 第54-55页 |
| 结束语 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-63页 |
| 作者在学期间取得的学术成果 | 第63页 |