支持向量机的多分类扩展算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 研究内容与目标 | 第14页 |
| 1.4 本文的主要组织工作和结构 | 第14-16页 |
| 第2章 机器学习与统计学习理论 | 第16-24页 |
| 2.1 机器学习的基本问题 | 第16-19页 |
| 2.1.1 机器学习的发展历史 | 第16-17页 |
| 2.1.2 机器学习的问题表示 | 第17-18页 |
| 2.1.3 经验风险最小化 | 第18-19页 |
| 2.2 统计学习理论的核心内容 | 第19-23页 |
| 2.2.1 小样本学习理论 | 第19页 |
| 2.2.2 VC维 | 第19-20页 |
| 2.2.3 结构风险最小化原则 | 第20-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第3章 支持向量机 | 第24-37页 |
| 3.1 最大间隔分类器 | 第24-31页 |
| 3.1.1 选块算法 | 第27-28页 |
| 3.1.2 分解算法 | 第28页 |
| 3.1.3 序列最小优化算法(SMO) | 第28-29页 |
| 3.1.4 模糊支持向量机 | 第29-30页 |
| 3.1.5 最小二乘支持向量机 | 第30-31页 |
| 3.1.6 拉格朗日支持向量机 | 第31页 |
| 3.2 核理论 | 第31-34页 |
| 3.3 线性不可分的情况 | 第34-35页 |
| 3.4 参数选择问题 | 第35-36页 |
| 3.4.1 参数选择的意义 | 第35-36页 |
| 3.4.2 参数选择的作用和影响 | 第36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 SVM多分类扩展方法 | 第37-49页 |
| 4.1 多分类支持向量机方法 | 第37-41页 |
| 4.1.1 一对其余分类法 | 第37-38页 |
| 4.1.2 一对一分类法 | 第38页 |
| 4.1.3 决策树方法 | 第38-39页 |
| 4.1.4 DAG方法 | 第39-40页 |
| 4.1.5 纠错输出编码法(ECOC) | 第40-41页 |
| 4.2 多分类SVM的研究现状 | 第41-42页 |
| 4.3 改进的DAGSVM结构选择方法 | 第42-46页 |
| 4.4 实验 | 第46-49页 |
| 结论 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 致谢 | 第54-55页 |
| 附录 A 攻读学位期间所发表的学术论文目录 | 第55-56页 |
| 附录 B 攻读学位期间参加的项目目录 | 第56页 |
