| 中文摘要 | 第1-6页 |
| 英文摘要 | 第6-10页 |
| 1 绪论 | 第10-16页 |
| ·引言 | 第10-11页 |
| ·研究现状 | 第11-14页 |
| ·SVM 针对大规模数据集问题的研究 | 第12-13页 |
| ·核向量机算法方面的研究 | 第13-14页 |
| ·本文研究的主要内容 | 第14-15页 |
| ·本文的组织结构 | 第15-16页 |
| 2 统计学习理论和支持向量机 | 第16-30页 |
| ·机器学习的基本问题 | 第16-19页 |
| ·机器学习问题的表述 | 第16-17页 |
| ·经验风险最小化原则 | 第17-18页 |
| ·算法复杂性与推广能力 | 第18-19页 |
| ·统计学习理论的核心内容 | 第19-21页 |
| ·VC 维 | 第19页 |
| ·推广性的界 | 第19-20页 |
| ·结构风险最小化原则 | 第20-21页 |
| ·支持向量机 | 第21-28页 |
| ·最优分类超平面 | 第21-22页 |
| ·支持向量分类机模型 | 第22-27页 |
| ·核函数 | 第27-28页 |
| ·支持向量分类机算法 | 第28页 |
| ·本章小节 | 第28-30页 |
| 3 支持向量机快速训练算法分析 | 第30-41页 |
| ·停机准则 | 第30-32页 |
| ·选块算法（Chunking） | 第32-33页 |
| ·分解算法（Decomposing） | 第33-35页 |
| ·序列最小最优化算法（Sequential Minimal Optimization-SMO）及其改进 | 第35-40页 |
| ·两个变量的最优化问题的解析解 | 第35-37页 |
| ·两个训练点的选取 | 第37-38页 |
| ·最小优化后的重置 | 第38-39页 |
| ·SMO 算法改进（Queuing SMO-QSMO） | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 4 基于最小闭包球理论的支持向量机及其改进 | 第41-51页 |
| ·最小闭包球（Minimum Enclosing Ball-MEB）问题 | 第42-43页 |
| ·基于MEB 问题的二分类支持向量机 | 第43-47页 |
| ·硬间隔支持向量数据描述 | 第43-44页 |
| ·二次规划问题视为MEB 问题的条件 | 第44-45页 |
| ·基于MEB 问题的支持向量分类机 | 第45-47页 |
| ·核向量机（Core Vector Machine）算法 | 第47-49页 |
| ·初始化设置 | 第47-48页 |
| ·概率加速法采样 | 第48-49页 |
| ·核集最优化问题 | 第49页 |
| ·QS-CVM (Queuing SMO-CVM)算法 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 5 仿真实验 | 第51-55页 |
| ·Adult 数据集 | 第51-53页 |
| ·扩展的USPS 数据集 | 第53-54页 |
| ·本章小结 | 第54-55页 |
| 6 总结与展望 | 第55-57页 |
| ·总结 | 第55页 |
| ·展望 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 附录A | 第62-63页 |
| 致谢 | 第63页 |
