| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景及现实意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 聚类概述 | 第10-11页 |
| 1.2.2 分类概述 | 第11-12页 |
| 1.3 本文的主要工作和组织结构 | 第12-15页 |
| 2 基于局部保持的K-Means算法 | 第15-29页 |
| 2.1 前言 | 第15-16页 |
| 2.2 K-Means算法和LPP算法 | 第16-19页 |
| 2.2.1 传统K-Means算法介绍 | 第16-18页 |
| 2.2.2 LPP算法介绍 | 第18-19页 |
| 2.3 基于局部保持的K-Means算法 | 第19-22页 |
| 2.3.1 基于局部保持散度的距离度量 | 第19-20页 |
| 2.3.2 基于局部保持的K-Means算法 | 第20页 |
| 2.3.3 讨论 | 第20-22页 |
| 2.4 实验结果分析 | 第22-28页 |
| 2.4.1 拟合数据集 | 第22-26页 |
| 2.4.2 真实数据集 | 第26-27页 |
| 2.4.3 USPS手写体数据 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 3 类内局部保持二次损失函数支持向量机 | 第29-41页 |
| 3.1 前言 | 第29-30页 |
| 3.2 支持向量机 | 第30-33页 |
| 3.2.1 支持向量机理论 | 第30-31页 |
| 3.2.2 二次损失函数支持向量机 | 第31-33页 |
| 3.3 类内局部保持二次损失函数支持向量机 | 第33-35页 |
| 3.3.1 类内局部保持散度矩阵 | 第33页 |
| 3.3.2 类内局部保持二次损失函数支持向量机 | 第33-35页 |
| 3.3.3 类内局部保持散度矩阵奇异的情况 | 第35页 |
| 3.3.4 样本集非线性可分的情况 | 第35页 |
| 3.4 实验研究 | 第35-40页 |
| 3.4.1 参数对算法性能的影响 | 第36-37页 |
| 3.4.2 UCI数据集 | 第37-39页 |
| 3.4.3 人脸数据 | 第39-40页 |
| 3.5 本章小结 | 第40-41页 |
| 4 基于改进RM界的二次损失函数支持向量机模式选择 | 第41-50页 |
| 4.1 前言 | 第41-42页 |
| 4.2 RM界和最小包含球半径的近似估计 | 第42-43页 |
| 4.2.1 RM界(Radius-Margin bound) | 第42页 |
| 4.2.2 最小包含球半径的近似估计 | 第42-43页 |
| 4.3 基于改进RM界的L2-SVM模式选择 | 第43-46页 |
| 4.3.1 基于改进RM界的L2-SVM模式选择 | 第43-45页 |
| 4.3.2 算法分析 | 第45-46页 |
| 4.4 实验结果与分析 | 第46-49页 |
| 4.4.1 分类精度比较 | 第46-48页 |
| 4.4.2 计算效率比较 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 总结与展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 攻读硕士学位期间发表论文及科研成果 | 第56-57页 |
| 致谢 | 第57-58页 |