| 致谢 | 第1-4页 |
| 摘要 | 第4-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-13页 |
| ·国内外研究概况 | 第9-10页 |
| ·选择该研究课题的重要意义 | 第10-11页 |
| ·本文工作任务 | 第11-12页 |
| ·本文的内容安排 | 第12-13页 |
| 第二章 样本近邻性质与支持向量机中的样本预处理 | 第13-29页 |
| ·支持向量机数据集预处理介绍 | 第13-15页 |
| ·样本近邻分布性质与NDPSR(Neighbors’Distribution Properties SampleReduction)算法 | 第15-20页 |
| ·实验 | 第20-27页 |
| ·实验一：算法精度比较 | 第20-21页 |
| ·实验二：算法训练时间比较 | 第21-23页 |
| ·实验三：NDPSR算法与CBD算法的比较 | 第23-24页 |
| ·实验四：人工仿真数据—分类SVM样本剪辑 | 第24-26页 |
| ·实验五：真实数据集—分类SVM样本剪辑 | 第26-27页 |
| ·本章小结 | 第27-29页 |
| 第三章 增量学习支持向量机影响因素分析 | 第29-41页 |
| ·增量学习支持向量机研究现状 | 第29-30页 |
| ·基于最小角度增量支持向量机增量算法(MAISVM,Minimum Angle Incrementa #1Support Vector Machines | 第30-34页 |
| ·增量学习支持向量机中的角度因素 | 第30-33页 |
| ·MAISVM(Minimum Angle Incremental Support Vector Machines)算法 | 第33-34页 |
| ·基于基于最小样本平面距离的增量支持向量机算法(MSPDISVM,MinimumSample Plane Distance Incremental Support Vector Machine | 第34-35页 |
| ·实验 | 第35-40页 |
| ·实验一：MAISVM与其它几种增量算法的比较 | 第35-39页 |
| ·实验二：MSPDISVM算法与其它增量学习算法的比较 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第四章 基于支持向量子集的增量学习算法 | 第41-49页 |
| ·松弛变量与支持向量分类 | 第41-43页 |
| ·松弛变量与KTT条件的关系 | 第41-43页 |
| ·支持向量的分类 | 第43页 |
| ·Simple ISVM(Simple Incremental Support Vector Machines)算法 | 第43-44页 |
| ·实验 | 第44-48页 |
| ·实验一：去除松弛变量大于0的样本对算法的影响 | 第44-45页 |
| ·实验二：Simple ISVM算法与SVM Inc.算法的比较 | 第45-48页 |
| ·本章小结 | 第48-49页 |
| 第五章 结束语 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 攻读硕士学位期间的研究成果和发表的论文 | 第54页 |
