强噪声和类间重叠数据下支持向量机学习的研究
| 第一章 简介 | 第1-12页 |
| 1．1 学习与智能 | 第8-9页 |
| 1．2 基于事例的学习 | 第9页 |
| 1．3 本文所做的工作和各章节的组织 | 第9-12页 |
| 第二章 统计学习理论 | 第12-19页 |
| 2．1 引言 | 第12页 |
| 2．2 学习问题的描述 | 第12-13页 |
| 2．3 经验风险最小化归纳原则 | 第13页 |
| 2．4 统计学习理论的四个部分 | 第13-14页 |
| 2．5 学习过程的一致性理论 | 第14-16页 |
| 2．5．1 学习理论的重要定理 | 第14页 |
| 2．5．2 一致收敛的充要条件 | 第14-15页 |
| 2．5．3 统计学习理论的三个里程碑 | 第15-16页 |
| 2．6 学习过程收敛速度的上界 | 第16-17页 |
| 2．6．1 增长函数的特性和VC维的概念 | 第16-17页 |
| 2．6．2 学习过程收敛速度的上界 | 第17页 |
| 2．7 控制学习机器的泛化能力 | 第17-18页 |
| 2．7．1 结构风险最小化原则 | 第17-18页 |
| 2．8 构造学习算法 | 第18-19页 |
| 第三章 支持向量机 | 第19-29页 |
| 3．1 最佳超平面 | 第19-20页 |
| 3．2 线性SVM解决线性可分问题 | 第20-21页 |
| 3．3 线性SVM解决线性不可分问题 | 第21-22页 |
| 3．4 非线性SVM | 第22-25页 |
| 3．5 支持向量机方法的特点 | 第25页 |
| 3．6 支持向量机训练算法 | 第25-29页 |
| 3．6．1 引言 | 第25-26页 |
| 3．6．2 块算法 | 第26-27页 |
| 3．6．3 分解算法 | 第27页 |
| 3．6．4 顺序最小优化算法 | 第27-29页 |
| 第四章 支持向量机训练算法的评价 | 第29-41页 |
| 4．1 引言 | 第29页 |
| 4．2 训练所用数据简介 | 第29-31页 |
| 4．3 人脸检测数据的分析比较 | 第31-34页 |
| 4．4 MNIST数据的分析比较 | 第34-35页 |
| 4．5 USPS数据的分析比较 | 第35页 |
| 4．6 UCI数据的分析比较 | 第35-39页 |
| 4．7 小结 | 第39-41页 |
| 第五章 改进的支持向量机训练算法 | 第41-51页 |
| 5．1 引言 | 第41-42页 |
| 5．2 一种改进的支持向量机训练算法 | 第42-45页 |
| 5．3 数值实验 | 第45页 |
| 5．4 小结 | 第45-51页 |
| 第六章 结论与展望 | 第51-54页 |
| 参考文献 | 第54-59页 |
| 致谢 | 第59页 |
