| 摘要 | 第1-9页 |
| 英文摘要 | 第9-11页 |
| 第一章 绪论 | 第11-19页 |
| 1．1 课题背景 | 第11-12页 |
| 1．2 数据挖掘的任务 | 第12-13页 |
| 1．3 数据挖掘常用方法 | 第13-15页 |
| 1．4 支持向量机方法 | 第15-16页 |
| 1．4．1 支持向量机方法的优点 | 第15页 |
| 1．4．2 SVM和神经网络方法简单比较 | 第15-16页 |
| 1．5 论文的主要研究内容 | 第16-19页 |
| 第二章 支持向量机理论及其实现算法理论概述 | 第19-31页 |
| 2．1 引言 | 第19页 |
| 2．2 统计学习理论 | 第19-23页 |
| 2．2．1 期望风险和经验风险 | 第20页 |
| 2．2．2 VC维 | 第20-21页 |
| 2．2．3 结构风险最小化 | 第21-22页 |
| 2．2．4 SVM的基本原理 | 第22-23页 |
| 2．3 支持向量机的数学模型 | 第23-26页 |
| 2．3．1 线性支持向量机 | 第23-25页 |
| 2．3．2 非线性支持向量机 | 第25页 |
| 2．3．3 不可分情况的处理 | 第25-26页 |
| 2．4 SVM的训练算法 | 第26-29页 |
| 2．4．1 选块算法 | 第26-27页 |
| 2．4．2 分解算法 | 第27-28页 |
| 2．4．3 序列最小优化算法 | 第28-29页 |
| 2．5 本章小结 | 第29-31页 |
| 第三章 SVM样本预优方法 | 第31-37页 |
| 3．1 引言 | 第31页 |
| 3．2 样本预优方法 | 第31-35页 |
| 3．2．1 特征空间下的距离定义 | 第32-33页 |
| 3．2．2 中心区域法 | 第33页 |
| 3．2．3 高维样本预优算法 | 第33-34页 |
| 3．2．4 预优算法分析 | 第34-35页 |
| 3．2．5 实验结果及分析 | 第35页 |
| 3．3 本章小结 | 第35-37页 |
| 第四章 基于数据几何特征的SVM改进方法 | 第37-45页 |
| 4．1 引言 | 第37页 |
| 4．2 MSE方法 | 第37页 |
| 4．3 CSVM方法 | 第37-39页 |
| 4．4 非线性支持向量机的几何意义 | 第39-40页 |
| 4．5 高维中心支持向量机(HCSVM) | 第40-44页 |
| 4．5．1 邻域算法 | 第40-41页 |
| 4．5．2 高维中心获取算法 | 第41页 |
| 4．5．3 HCSVM方程的建立 | 第41-42页 |
| 4．5．4 HCSVM方法分析 | 第42-43页 |
| 4．5．5 实验结果及分析 | 第43-44页 |
| 4．6 结论和进一步研究内容 | 第44-45页 |
| 第五章 自调整SVM增量方法 | 第45-61页 |
| 5．1 引言 | 第45页 |
| 5．2 研究背景和现状 | 第45-49页 |
| 5．2．1 增量方法研究现状 | 第45-46页 |
| 5．2．2 支持向量的意义和特点 | 第46-48页 |
| 5．2．3 一般支持向量机增量学习算法 | 第48-49页 |
| 5．3 增量算法分析 | 第49-54页 |
| 5．3．1 增量算法优化问题的选择 | 第49-51页 |
| 5．3．2 增量过程中的计算性能 | 第51-53页 |
| 5．3．3 数据分布不同时的策略 | 第53-54页 |
| 5．4 自调整增量算法 | 第54-59页 |
| 5．4．1 v-SVM的线性原始优化问题及其对偶问题 | 第54-55页 |
| 5．4．2 参数v的意义 | 第55页 |
| 5．4．3 参数v自调整的增量学习策略 | 第55-56页 |
| 5．4．4 参数v自调整的增量学习方法 | 第56-58页 |
| 5．4．5 实验结果及分析 | 第58-59页 |
| 5．5 结论和进一步研究内容 | 第59-61页 |
| 第六章 结束语 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 致谢 | 第69-71页 |
| 攻读硕士学位期间发表的论文和参加的科研项目 | 第71-72页 |
| 学位论文评阅及答辩情况表 | 第72页 |