| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及目的 | 第9-10页 |
| 1.2 国内外研究现状和发展趋势 | 第10-13页 |
| 1.2.1 支撑向量机研究现状 | 第10-11页 |
| 1.2.2 移动通信网络定位研究现状 | 第11-12页 |
| 1.2.3 自动图像标注研究现状 | 第12-13页 |
| 1.3 论文的内容安排与组织结构 | 第13-15页 |
| 1.3.1 论文的主要工作 | 第13页 |
| 1.3.2 论文的组织结构 | 第13-15页 |
| 第二章 基于支持向量机的机器学习原理 | 第15-31页 |
| 2.1 机器学习方法概述 | 第15-19页 |
| 2.1.1 朴素贝叶斯分类器 | 第15-16页 |
| 2.1.2 K邻算法(KNN) | 第16-19页 |
| 2.2 统计学习理论 | 第19-22页 |
| 2.2.1 经验风险最小化 | 第19-20页 |
| 2.2.2 VC维理论与推广性的界 | 第20-21页 |
| 2.2.3 结构风险最小化准则 | 第21-22页 |
| 2.3 支持向量机理论 | 第22-29页 |
| 2.3.1 线性支持向量机 | 第22-25页 |
| 2.3.2 非线性支持向量机与核函数 | 第25-26页 |
| 2.3.3 多分类支持向量机分类算法 | 第26-28页 |
| 2.3.4 支持向量回归机 | 第28-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第三章 SVR与KNN分步结合的网络定位算法设计与实现 | 第31-49页 |
| 3.1 网络侧的定位方法简介 | 第31-35页 |
| 3.1.1 网络侧传统定位方法 | 第31-34页 |
| 3.1.2 位置指纹识别定位方法 | 第34-35页 |
| 3.2 基于SVR与KNN分步结合的网络定位算法 | 第35-44页 |
| 3.2.1 区域划分与数据预处理 | 第36-39页 |
| 3.2.2 SVR与KNN分步定位算法模型训练阶段 | 第39-43页 |
| 3.2.3 SVR与KNN分步定位算法预测阶段 | 第43-44页 |
| 3.3 仿真结果与分析 | 第44-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第四章 基于多分类SVM与KNN的自动图像标注 | 第49-65页 |
| 4.1 图像标注算法简介 | 第49-51页 |
| 4.2 基于多分类SVM与K近邻算法相结合的图像标注 | 第51-60页 |
| 4.2.1 自动图像标注系统总体设计 | 第51-52页 |
| 4.2.2 实验用图像库与图像视觉特征选择 | 第52-57页 |
| 4.2.3 模型库建立与候选词判决规则设计 | 第57-60页 |
| 4.3 仿真结果与分析 | 第60-63页 |
| 4.4 本章小结 | 第63-65页 |
| 第五章 总结和展望 | 第65-67页 |
| 5.1 论文总结 | 第65页 |
| 5.2 未来展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-73页 |
| 攻读学位期间发表的学术论文 | 第73页 |
