基于抗白噪声理论的支持向量机
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 1 绪论 | 第8-15页 |
| ·引言 | 第8页 |
| ·支持向量机的发展历史与现况 | 第8-12页 |
| ·支持向量机的历史回顾 | 第8-9页 |
| ·支持向量机的研究现状 | 第9-12页 |
| ·本文研究内容和全文组织结构 | 第12-15页 |
| ·研究背景 | 第12-13页 |
| ·本文的主要的研究内容 | 第13页 |
| ·论文的组织结构 | 第13-15页 |
| 2 统计学习理论以及支持向量机理论 | 第15-26页 |
| ·引言 | 第15页 |
| ·机器学习的基本问题和方法 | 第15-17页 |
| ·学习问题的一般表示 | 第15-16页 |
| ·经验风险最小化原则 | 第16页 |
| ·学习机器的泛化能力 | 第16-17页 |
| ·统计学习理论 | 第17-19页 |
| ·学习过程的一致性条件 | 第17-18页 |
| ·VC 维 | 第18页 |
| ·推广性的界 | 第18-19页 |
| ·结构风险最小化 | 第19页 |
| ·支持向量机 | 第19-26页 |
| ·线性可分情况 | 第20-23页 |
| ·线性不可分情况 | 第23-24页 |
| ·非线性支持向量机 | 第24-26页 |
| 3 基于抗白噪声理论的支持向量机学习方法 | 第26-33页 |
| ·引言 | 第26页 |
| ·白噪声理论 | 第26-28页 |
| ·白噪声概念 | 第26-27页 |
| ·高斯白噪声理论 | 第27-28页 |
| ·基于抗白噪声理论的支持向量机 | 第28-30页 |
| ·基于抗噪声理论支持向量机的一般模型 | 第28-29页 |
| ·基于抗高斯白噪声理论的支持向量机 | 第29页 |
| ·模型求解 | 第29-30页 |
| ·调节核函数中的参数抑制噪声 | 第30-33页 |
| ·核函数理论 | 第30-32页 |
| ·调节核参数抑制噪声 | 第32-33页 |
| 4 结论与展望 | 第33-34页 |
| 参考文献 | 第34-38页 |
| 致谢 | 第38页 |
