最小二乘支持向量机的研究和应用
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 课题背景及研究的目的和意义 | 第8-9页 |
| 1.2 国内外研究现状分析 | 第9-10页 |
| 1.3 本文的主要研究内容 | 第10-12页 |
| 第2章 模式识别 | 第12-19页 |
| 2.1 引言 | 第12-13页 |
| 2.2 预处理 | 第13-14页 |
| 2.2.1 剔除离群点 | 第13页 |
| 2.2.2 数据归一化 | 第13-14页 |
| 2.2.3 丢失数据 | 第14页 |
| 2.3 特征提取 | 第14-16页 |
| 2.4 特征选择 | 第16-18页 |
| 2.5 系统评价 | 第18页 |
| 2.6 本章小结 | 第18-19页 |
| 第3章 支持向量机 | 第19-29页 |
| 3.1 引言 | 第19页 |
| 3.2 线性判别函数和决策超平面 | 第19-20页 |
| 3.3 支持向量机 线性情况 | 第20-26页 |
| 3.3.1 可分的类 | 第20-24页 |
| 3.3.2 不可分的类 | 第24-26页 |
| 3.4 支持向量机 非线性情况 | 第26-28页 |
| 3.5 本章小结 | 第28-29页 |
| 第4章 最小二乘支持向量机 | 第29-38页 |
| 4.1 基本知识 | 第29-30页 |
| 4.2 单纯形法 | 第30-31页 |
| 4.3 网格搜索法 | 第31-32页 |
| 4.4 三步搜索法 | 第32-33页 |
| 4.5 粒子群算法 | 第33-36页 |
| 4.5.1 原始粒子群算法 | 第34-36页 |
| 4.5.2 标准粒子群算法 | 第36页 |
| 4.6 基于PSO的三步搜索法 | 第36-37页 |
| 4.7 本章小结 | 第37-38页 |
| 第5章 数值试验 | 第38-46页 |
| 5.1 支持向量机在模式识别中的应用 | 第38-39页 |
| 5.2 LSSVM算法和SVM算法应用 | 第39-41页 |
| 5.3 对LSSVM算法参数寻优 | 第41-45页 |
| 5.4 本章小结 | 第45-46页 |
| 结论 | 第46-47页 |
| 参考文献 | 第47-52页 |
| 致谢 | 第52页 |
