| 摘要 | 第1-7页 |
| ABSTRACT | 第7-8页 |
| 前言 | 第8-10页 |
| 第一章 绪论 | 第10-18页 |
| ·机器学习理论概述 | 第10-14页 |
| ·机器学习问题的表示 | 第10-12页 |
| ·经验风险最小化原则 | 第12页 |
| ·机器学习的发展简史 | 第12-14页 |
| ·统计学习理论的核心内容 | 第14-18页 |
| ·VC维简介 | 第14-15页 |
| ·推广性的界 | 第15页 |
| ·结构风险最小化原则 | 第15-18页 |
| 第二章 支持向量机基本原理及变形算法 | 第18-27页 |
| ·最优分类面 | 第18-20页 |
| ·广义最优分类面 | 第20-23页 |
| ·基于核函数的学习方法 | 第23-24页 |
| ·支持向量机 | 第24-25页 |
| ·支持向量机的变形算法L_2-SVM | 第25-27页 |
| 第三章 不平衡样本集中支持向量机研究现状与仿真实验 | 第27-37页 |
| ·不平衡样本集的性能分析与研究现状 | 第27-28页 |
| ·不平衡样本集中支持向量机的性能分析 | 第27页 |
| ·重构数据集方法的研究现状 | 第27-28页 |
| ·不平衡样本集中支持向量机算法的改进 | 第28-31页 |
| ·L_1-SVM的改进 | 第28-29页 |
| ·v-SVM的改进 | 第29-31页 |
| ·仿真实验 | 第31-37页 |
| ·实验的目的 | 第31页 |
| ·实验的方法和步骤 | 第31-32页 |
| ·实验结果及分析 | 第32-37页 |
| 第四章 不平衡样本集的支持向量机模型选择的新方法 | 第37-45页 |
| ·特征空间超平面VC维 | 第37-38页 |
| ·模型选择中目标函数的选取 | 第38-39页 |
| ·模型选择中SVM类型的选择 | 第39-40页 |
| ·基于梯度法和VC维的模型选择方法 | 第40-45页 |
| ·求VC维关于参数梯度的思路 | 第41页 |
| ·基于梯度法的优化过程 | 第41-43页 |
| ·算法实现的主要内容 | 第43-45页 |
| 第五章 实验过程与结果分析 | 第45-56页 |
| ·实验一 VOWEL数据集性能测试 | 第45-48页 |
| ·实验二 SATIMAGE数据集性能测试 | 第48-52页 |
| ·实验三 SATIMAGE数据集多类分类性能测试 | 第52-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61页 |