| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-20页 |
| 1.2.1 支持向量机研究现状 | 第15-16页 |
| 1.2.2 约减支持向量机研究现状 | 第16页 |
| 1.2.3 最小二乘支持向量机研究现状 | 第16-17页 |
| 1.2.4 稀疏最小二乘支持向量机研究现状 | 第17-20页 |
| 1.3 本文的研究内容及章节安排 | 第20-22页 |
| 1.3.1 本文的主要工作 | 第20页 |
| 1.3.2 本文的结构安排 | 第20-22页 |
| 第二章 理论背景 | 第22-28页 |
| 2.1 支持向量机 | 第22-23页 |
| 2.2 约减支持向量机 | 第23-24页 |
| 2.3 标准最小二乘支持向量机 | 第24-25页 |
| 2.4 对偶空间最小二乘支持向量机 | 第25-26页 |
| 2.5 本章小结 | 第26-28页 |
| 第三章 基于QR分解的稀疏LSSVM算法 | 第28-48页 |
| 3.1 稀疏最小二乘支持向量机 | 第28-33页 |
| 3.1.1 P-LSSVM模型 | 第28-30页 |
| 3.1.2 D-LSSVM和P-LSSVM的区别与联系 | 第30页 |
| 3.1.3 数值实验 | 第30-33页 |
| 3.2 基于Cholesky分解的PCP-LSSVM稀疏算法 | 第33-36页 |
| 3.2.1 PCP-LSSVM稀疏算法 | 第33-34页 |
| 3.2.2 数值实验 | 第34-36页 |
| 3.3 基于QR分解的QRP-LSSVM稀疏算法 | 第36-39页 |
| 3.3.1 基于QR分解的P-LSSVM稀疏解形式 | 第36-37页 |
| 3.3.2 核矩阵的低秩近似及误差分析 | 第37-38页 |
| 3.3.3 QRP-LSSVM稀疏算法 | 第38-39页 |
| 3.4 数值实验 | 第39-46页 |
| 3.4.1 线性分类实验 | 第40-41页 |
| 3.4.2 人工生成数据实验 | 第41-43页 |
| 3.4.3 banana数据实验 | 第43-45页 |
| 3.4.4 大规模数据实验 | 第45-46页 |
| 3.5 本章小结 | 第46-48页 |
| 第四章 基于QR分解的约减支持向量机算法 | 第48-60页 |
| 4.1 约减支持向量机简介 | 第48-52页 |
| 4.1.1 标准RSVM模型 | 第48-50页 |
| 4.1.2 标准SVM与RSVM实验对比 | 第50-52页 |
| 4.2 基于QR分解的RSVM算法 | 第52-54页 |
| 4.2.1 基于Square Hinge损失函数的求解算法QRP+SHRSVM | 第52-53页 |
| 4.2.2 基于Least-Square损失函数的求解算法QRP+LSRSVM | 第53-54页 |
| 4.2.3 基于Huber损失函数的求解算法QRP+HRSVM | 第54页 |
| 4.3 数值实验 | 第54-58页 |
| 4.3.1 人工生成数据实验 | 第55-56页 |
| 4.3.2 大规模数据实验 | 第56-58页 |
| 4.4 本章小结 | 第58-60页 |
| 第五章 总论与展望 | 第60-62页 |
| 5.1 工作总结 | 第60-61页 |
| 5.2 工作展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 作者简介 | 第67-68页 |
