| 摘要 | 第1-3页 |
| Abstract | 第3-4页 |
| 目录 | 第4-6页 |
| 第一章 绪论 | 第6-11页 |
| ·研究背景 | 第6-7页 |
| ·学习过程的简单分析 | 第7-10页 |
| ·本文的主要研究工作 | 第10页 |
| ·本文的内容安排 | 第10-11页 |
| 第二章 核的基本知识 | 第11-20页 |
| ·引言 | 第11-12页 |
| ·积特征(Product Feature) | 第12-13页 |
| ·线性空间中相似性的表示 | 第13-17页 |
| ·基本定义 | 第14-15页 |
| ·再生核理论及Mercer定理 | 第15-17页 |
| ·核技巧(kernel trick) | 第17-18页 |
| ·几种常用的核函数 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 第三章 统计学习理论与支持向量机 | 第20-40页 |
| ·引言 | 第20页 |
| ·统计学习理论 | 第20-23页 |
| ·经验风险最小化原则 | 第20-22页 |
| ·VC维 | 第22页 |
| ·一致收敛的速度 | 第22-23页 |
| ·结构风险最小化 | 第23页 |
| ·支持向量机(Support Vector Machine) | 第23-29页 |
| ·线性可分的情形 | 第23-26页 |
| ·非线性支持向量机 | 第26-27页 |
| ·不可分情况的处理 | 第27-28页 |
| ·KKT最优性条件 | 第28-29页 |
| ·支持向量机的训练算法 | 第29-38页 |
| ·KA算法 | 第29页 |
| ·块(Chunking)算法和分解算法 | 第29-30页 |
| ·SMO算法 | 第30-34页 |
| ·改进的分解算法GD(Generalized Decomposition) | 第34-37页 |
| ·实验结果及讨论 | 第37-38页 |
| ·SVM的扩展 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 第四章 SVM数字识别 | 第40-52页 |
| ·引言 | 第40页 |
| ·SVM多类别分类算法 | 第40-44页 |
| ·一对多的分类方案(One Versus the Rest) | 第40-41页 |
| ·两两配对的分类方案(Pairwise Classification) | 第41-42页 |
| ·基于有向无环图的多类分类方案 | 第42-43页 |
| ·基于全局目标函数的多类分类方案 | 第43页 |
| ·多种模型的混合 | 第43-44页 |
| ·先验知识的融入 | 第44-46页 |
| ·“虚拟”样本SVM | 第44-45页 |
| ·包含不变性决策函数的SVM | 第45-46页 |
| ·实验结果及讨论 | 第46-50页 |
| ·本章小结 | 第50-52页 |
| 第五章 核Fisher鉴别分析 | 第52-61页 |
| ·引言 | 第52-53页 |
| ·Fisher线性鉴别 | 第53-54页 |
| ·与最优Bayes分类器的联系 | 第54页 |
| ·鉴别矢量集 | 第54-56页 |
| ·核空间的情形 | 第56-59页 |
| ·计算上的考虑及正规化问题 | 第58-59页 |
| ·实验结果及讨论 | 第59-60页 |
| ·本章小结 | 第60-61页 |
| 第六章 结束语 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-68页 |
