| 致谢 | 第1-4页 |
| 摘要 | 第4-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-15页 |
| ·论文研究的目的及其意义 | 第9-10页 |
| ·国内外研究现状、发展动态 | 第10-13页 |
| ·本文的主要工作及创新点 | 第13-15页 |
| 第二章 支持向量机基础理论 | 第15-27页 |
| ·理论基础 | 第15-17页 |
| ·支持向量机概述 | 第17-23页 |
| ·最优分类超平面 | 第17-20页 |
| ·线性可分支持向量机 | 第20-21页 |
| ·线性不可分支持向量机 | 第21页 |
| ·非线性可分支持向量机 | 第21-23页 |
| ·支持向量机的几种典型训练算法 | 第23-24页 |
| ·Chunking方法 | 第23页 |
| ·分解算法 | 第23-24页 |
| ·序列最小优化算法(SMO方法) | 第24页 |
| ·支持向量机的变形算法 | 第24-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 SVM混合核函数的构造 | 第27-36页 |
| ·核函数及其主要性质 | 第27-29页 |
| ·核函数、Mercer核及正定核 | 第27-28页 |
| ·核函数的性质及其构造 | 第28-29页 |
| ·SVM中常用的核函数 | 第29页 |
| ·基于高斯核函数和Sigmoid核函数的混合核函数支持向量机 | 第29-33页 |
| ·混合核函数的提出 | 第29-31页 |
| ·仿真结果与分析 | 第31-33页 |
| ·基于高斯核函数和模糊Sigmoid核函数混合核函数支持向量机 | 第33-35页 |
| ·混合核函数的提出 | 第33-34页 |
| ·仿真结果与分析 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第四章 基于自适应混合遗传算法的SVM参数选择研究 | 第36-53页 |
| ·参数对SVM的影响及其选取原则 | 第36-39页 |
| ·参数对SVM的影响 | 第36-38页 |
| ·参数选取原则 | 第38-39页 |
| ·遗传算法介绍 | 第39-42页 |
| ·遗传算法的基本流程 | 第39-41页 |
| ·遗传算法基本操作 | 第41-42页 |
| ·自适应遗传算法及其改进 | 第42-44页 |
| ·传统的自适应遗传算法 | 第43-44页 |
| ·改进的自适应遗传算法 | 第44页 |
| ·SVM中的梯度算法 | 第44-47页 |
| ·LOO误差及其和SVM期望风险的关系 | 第44-45页 |
| ·梯度算法 | 第45-47页 |
| ·支持向量机参数选择的自适应混合遗传算法 | 第47-52页 |
| ·算法的提出 | 第47-49页 |
| ·数值实验 | 第49-52页 |
| ·本章小结 | 第52-53页 |
| 第五章 基于支持向量回归机的孤立点检测 | 第53-64页 |
| ·孤立点检测概述 | 第53-54页 |
| ·孤立点的定义 | 第53页 |
| ·孤立点检测方法和应用领域 | 第53-54页 |
| ·ε-支持向量回归机和v-支持向量回归机 | 第54-57页 |
| ·ε-支持向量回归机 | 第54-56页 |
| ·v-支持向量回归机 | 第56-57页 |
| ·两类支持向量回归机的性质和关系 | 第57-58页 |
| ·ε-支持向量回归机中的稀疏性 | 第57-58页 |
| ·v-支持向量回归机的性质 | 第58页 |
| ·两类支持向量回归机之间的关系 | 第58页 |
| ·基于ε-SVR的孤立点检测算法 | 第58-62页 |
| ·算法的提出 | 第59页 |
| ·数值实验 | 第59-62页 |
| ·基于v-SVR的孤立点检测算法 | 第62-63页 |
| ·算法的提出 | 第62页 |
| ·数值实验 | 第62-63页 |
| ·本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| ·本文总结 | 第64-65页 |
| ·展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 详细摘要 | 第70-72页 |
| Abstract | 第72-73页 |
