| 摘要 | 第1-3页 |
| ABSTRACT | 第3-7页 |
| 第一章 绪论 | 第7-27页 |
| ·论文背景 | 第7-10页 |
| ·项目背景、目的 | 第7-8页 |
| ·支持向量机背景 | 第8-10页 |
| ·VC理论 | 第10-17页 |
| ·统计学习问题的一般表述 | 第10-12页 |
| ·复杂性与推广能力 | 第12-13页 |
| ·VC维 | 第13-16页 |
| ·构风险最小化和推广性的界 | 第16-17页 |
| ·SVM理论 | 第17-21页 |
| ·最优超平面 | 第17-19页 |
| ·支持向量机 | 第19-21页 |
| ·支持向量回归算法SVR(Support Vector Regression) | 第21-23页 |
| ·线性回归情形 | 第21-22页 |
| ·非线性回归情形 | 第22-23页 |
| ·本文的主要工作 | 第23页 |
| ·项目介绍 | 第23-27页 |
| ·编组站介绍 | 第23-24页 |
| ·目标特征分析 | 第24页 |
| ·编组站识别思路和关键技术 | 第24-26页 |
| ·本文的主要方向 | 第26页 |
| ·章节介绍 | 第26-27页 |
| 第二章 训练算法介绍 | 第27-40页 |
| ·SVM分类的表示 | 第27-28页 |
| ·QP(二次规划) | 第28-29页 |
| ·优化算法的理论基础 | 第29-30页 |
| ·Kuhn-Tucker最优性必要条件 | 第29页 |
| ·Sherman-Morrison-Woodbury矩阵求逆恒等式 | 第29-30页 |
| ·训练算法 | 第30-38页 |
| ·Chunking算法 | 第30页 |
| ·固定工作样本集算法(Osuna算法) | 第30-31页 |
| ·SVM~(light)算法 | 第31-32页 |
| ·SMO算法(sequential Minimal Optimization)的简单介绍 | 第32-35页 |
| ·SMO算法、Osuna算法、Chunking算法比较 | 第35页 |
| ·新近发展的算法 | 第35-36页 |
| ·SOR(Successive overrelaxation)介绍 | 第36-38页 |
| ·本章小结 | 第38-40页 |
| 第三章 核空间和核函数 | 第40-52页 |
| ·核空间理论介绍 | 第40-43页 |
| ·基于核函数的方法 | 第43-46页 |
| ·基于核的Fisher判别分析 | 第44-45页 |
| ·基于核的感知机(Perceptron based on kernel) | 第45页 |
| ·非线性主成分分析(Kernel Principal Component Analysis) | 第45-46页 |
| ·推广性能与核函数 | 第46-47页 |
| ·自适应最小距离分类 | 第47-49页 |
| ·分类算法的改进 | 第49-50页 |
| ·核空间理论改进后的自适应最小距离分类算法 | 第49-50页 |
| ·自适应核函数选择 | 第50页 |
| ·本章小结 | 第50-52页 |
| 第四章 SVM分类在铁路识别中的实例分析 | 第52-63页 |
| ·引言 | 第52页 |
| ·SVC的流程 | 第52-55页 |
| ·SVM分类效果的原理分析 | 第55-56页 |
| ·参数的改变对训练的影响 | 第56-59页 |
| ·识别的步骤 | 第59-60页 |
| ·毁伤分析 | 第60-62页 |
| ·本章小结 | 第62-63页 |
| 第五章 结束语 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-66页 |
