基于不定核的支持向量机算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 不定核学习方法的研究现状 | 第14-16页 |
| 1.3 多核学习方法的研究现状 | 第16-18页 |
| 1.4 本文的研究动机 | 第18-20页 |
| 1.4.1 不定核学习方法的局限性 | 第18-19页 |
| 1.4.2 多核学习方法的局限性 | 第19-20页 |
| 1.5 本文的研究目标及内容 | 第20页 |
| 1.6 本文的组织结构 | 第20-21页 |
| 第二章 不定核支持向量机算法介绍 | 第21-31页 |
| 2.1 不定核方法 | 第21-24页 |
| 2.1.1 再生核Kre(?)n空间 | 第21-22页 |
| 2.1.2 常见的不定核函数 | 第22-24页 |
| 2.2 不定核支持向量机算法 | 第24-28页 |
| 2.2.1 “Clip”算法 | 第24-25页 |
| 2.2.2 “Flip”算法 | 第25页 |
| 2.2.3 “Shift”算法 | 第25页 |
| 2.2.4 SMO-IKSVM算法 | 第25-26页 |
| 2.2.5 TDCASVM算法 | 第26-27页 |
| 2.2.6 IKSVM-CA算法 | 第27页 |
| 2.2.7 ESVM算法 | 第27-28页 |
| 2.2.8 1-norm IKSVM算法 | 第28页 |
| 2.3 亟待研究的问题 | 第28-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第三章 基于单不定核的支持向量机算法研究 | 第31-49页 |
| 3.1 模型构建 | 第31-33页 |
| 3.1.1 二分类模型 | 第31-32页 |
| 3.1.2 多分类模型 | 第32-33页 |
| 3.2 模型优化 | 第33-38页 |
| 3.2.1 凸差规划 | 第33-34页 |
| 3.2.2 基于凸差规划的二分类模型优化 | 第34-36页 |
| 3.2.3 基于凸差规划的多分类模型优化 | 第36-38页 |
| 3.3 收敛性分析 | 第38-42页 |
| 3.3.1 二分类IKSVM-DC算法收敛性分析 | 第38-40页 |
| 3.3.2 多分类IKSVM-DC算法收敛性分析 | 第40-42页 |
| 3.4 实验结果 | 第42-48页 |
| 3.4.1 实验设置 | 第42-44页 |
| 3.4.2 二类分类结果分析 | 第44-47页 |
| 3.4.3 多类分类结果分析 | 第47-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第四章 基于多不定核的支持向量机算法研究 | 第49-57页 |
| 4.1 模型构建 | 第49-50页 |
| 4.2 模型优化 | 第50-53页 |
| 4.3 收敛性分析 | 第53-54页 |
| 4.4 实验结果 | 第54-56页 |
| 4.4.1 实验设置 | 第54-55页 |
| 4.4.2 结果分析 | 第55-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 结束语 | 第57-59页 |
| 5.1 本文工作小结 | 第57-58页 |
| 5.2 进一步的工作 | 第58-59页 |
| 致谢 | 第59-61页 |
| 参考文献 | 第61-69页 |
| 作者简介 | 第69页 |
