| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第一章 绪论 | 第9-12页 |
| ·研究背景和意义 | 第9-10页 |
| ·研究现状 | 第10-11页 |
| ·本文的研究内容和组织 | 第11-12页 |
| 第二章 支持向量机理论 | 第12-21页 |
| ·机器学习 | 第12-13页 |
| ·机器学习的表示方法 | 第12页 |
| ·经验风险最小化原则 | 第12-13页 |
| ·机器学习的泛化能力 | 第13页 |
| ·统计学习理论 | 第13-16页 |
| ·VC维理论 | 第14页 |
| ·泛化误差的边界 | 第14-15页 |
| ·结构风险最小化原则 | 第15-16页 |
| ·支持向量机 | 第16-20页 |
| ·线性支持向量机 | 第16-18页 |
| ·非线性支持向量机 | 第18-19页 |
| ·核函数 | 第19-20页 |
| ·本章小结 | 第20-21页 |
| 第三章 集成学习 | 第21-30页 |
| ·集成学习的理论基础 | 第21-24页 |
| ·集成学习概述 | 第21-22页 |
| ·基分类器的构造方法 | 第22-23页 |
| ·基分类器的组合方法 | 第23-24页 |
| ·偏和方差理论 | 第24页 |
| ·集成学习的经典算法 | 第24-29页 |
| ·Bagging算法 | 第24-26页 |
| ·Boosting算法 | 第26-29页 |
| ·集成学习的不足和发展方向 | 第29页 |
| ·本章小结 | 第29-30页 |
| 第四章 基于特征选择的低偏差支持向量机集成 | 第30-43页 |
| ·支持向量机集成 | 第30-31页 |
| ·集成学习中的特征选择 | 第31-35页 |
| ·Relief系列过滤式特征选择算法 | 第32-35页 |
| ·基于预报风险的嵌入式特征选择算法 | 第35页 |
| ·支持向量机中的模型参数 | 第35-37页 |
| ·基于支持向量机的二重扰动集成学习算法 | 第37-40页 |
| ·基于Relief特征选择和低偏差的支持向量机集成学习算法 | 第37-39页 |
| ·基于预报风险的特征选择的低偏差支持向量机集成学习算法 | 第39-40页 |
| ·实验结果与分析 | 第40-42页 |
| ·实验数据集 | 第40-41页 |
| ·模型参数选取和试验结果 | 第41-42页 |
| ·试验结果分析 | 第42页 |
| ·本章小结 | 第42-43页 |
| 第五章 支持向量机的选择性集成 | 第43-49页 |
| ·支持向量机的选择性集成算法 | 第43-47页 |
| ·选择性集成学习框架 | 第43-44页 |
| ·分类器的组合策略 | 第44-45页 |
| ·选择性集成 | 第45-46页 |
| ·支持向量机的选择性集成算法 | 第46-47页 |
| ·试验结果与分析 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 结论 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 攻读硕士学位期间取得的研究成果 | 第54-55页 |
| 致谢 | 第55-56页 |
| 附件 | 第56页 |