| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第一章 绪论 | 第11-21页 |
| ·理论背景 | 第11-14页 |
| ·机器学习的基本问题 | 第12-13页 |
| ·复杂性及推广能力 | 第13-14页 |
| ·统计学习理论 | 第14-17页 |
| ·学习一致性的条件 | 第14-15页 |
| ·推广性的界和 VC维 | 第15-16页 |
| ·结构风险最小化 | 第16-17页 |
| ·支持向量机 | 第17-19页 |
| ·支持向量机的发展历史 | 第17-18页 |
| ·广义最优超平面 | 第18-19页 |
| ·支持向量机的训练 | 第19页 |
| ·本文内容与结构安排 | 第19-21页 |
| 第二章 支持向量机理论概述 | 第21-32页 |
| ·最优化理论 | 第21-23页 |
| ·凸约束 | 第21-22页 |
| ·KKT条件 | 第22页 |
| ·Wolfe对偶 | 第22-23页 |
| ·支持向量机理论 | 第23-28页 |
| ·线性可分 | 第23-24页 |
| ·线性近似可分 | 第24-25页 |
| ·线性不可分 | 第25-28页 |
| ·核函数 | 第28-29页 |
| ·支持向量机主要研究内容 | 第29-31页 |
| ·各种算法研究 | 第29-30页 |
| ·模型选择 | 第30页 |
| ·多类别分类问题 | 第30-31页 |
| ·大规模数据训练算法研究 | 第31页 |
| ·小结 | 第31-32页 |
| 第三章 支持向量机训练算法研究 | 第32-46页 |
| ·引言 | 第32页 |
| ·SVM大规模数据集训练算法研究现状 | 第32-34页 |
| ·选块算法 | 第33页 |
| ·分解算法 | 第33-34页 |
| ·SMO算法 | 第34页 |
| ·一种新的 SVM大规模数据集训练算法 | 第34-39页 |
| ·Quasi Choosing算法基本思想 | 第35-36页 |
| ·Quasi Choosing算法实现 | 第36-37页 |
| ·仿真实验 | 第37-39页 |
| ·SVM增量学习训练算法简述 | 第39-40页 |
| ·基于 Quasi Choosing的 SVM增量学习算法(QC-ISVM) | 第40-45页 |
| ·QC-ISVM算法基本思想 | 第41页 |
| ·QC-ISVM算法实现 | 第41-42页 |
| ·仿真实验 | 第42-45页 |
| ·小结 | 第45-46页 |
| 第四章 总结与展望 | 第46-48页 |
| ·全文工作总结 | 第46页 |
| ·进一步工作展望 | 第46-48页 |
| 参考文献 | 第48-53页 |
| 攻读硕士期间主要科研工作及成果 | 第53页 |
| 一 参与的主要科研项目 | 第53页 |
| 二 已发表的学术论文(含己录用论文) | 第53页 |