| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 引言 | 第11-15页 |
| 1 论文选题的背景和意义 | 第11-12页 |
| 2 支持向量机的研究现状 | 第12-13页 |
| 3 支持向量机较传统学习方法的优点 | 第13-14页 |
| 4 课题来源和本文的研究内容 | 第14-15页 |
| 第1章 机器学习及统计学习理论 | 第15-21页 |
| ·机器学习问题的历史研究 | 第15-16页 |
| ·机器学习研究的主要问题 | 第16-17页 |
| ·经验风险最小化 | 第17页 |
| ·复杂性与推广能力 | 第17-18页 |
| ·统计学习理论 | 第18-21页 |
| ·VC 维 | 第18页 |
| ·推广性的界 | 第18-19页 |
| ·结构风险最小化 | 第19-21页 |
| 第2章 支持向量机理论概述 | 第21-29页 |
| ·线性可分情况 | 第21-24页 |
| ·最优分类超平面的概念 | 第21-22页 |
| ·构造最优分类超平面 | 第22-24页 |
| ·近似线性可分情况下的最优分类超平面 | 第24页 |
| ·非线性可分情况时的最优分类超平面——支持向量机 | 第24-26页 |
| ·几种分类情况之间的相互联系 | 第26页 |
| ·支持向量机的核函数 | 第26-27页 |
| ·支持向量机中常见的几种核函数 | 第27页 |
| ·核函数的作用 | 第27页 |
| ·支持向量机的多类别分类方法 | 第27-29页 |
| 第3章 支持向量机算法实现 | 第29-36页 |
| ·支持向量机训练算法的发展 | 第29-30页 |
| ·序贯最小优化算法 | 第30-36页 |
| ·两点解析解 | 第31-34页 |
| ·其他相关变量的更新 | 第34-35页 |
| ·待优化变量的选择及SMO 算法步骤 | 第35-36页 |
| 第4章 基于 BAYES 方法的低阻油气识别 | 第36-49页 |
| ·油气样本的选择 | 第36-37页 |
| ·BAYES 判别的基本理论 | 第37-40页 |
| ·判别准则 | 第37-38页 |
| ·线性判别函数 | 第38-40页 |
| ·判别效果的检验 | 第40页 |
| ·BAYES 用于油气识别 | 第40-49页 |
| 第5章 基于支持向量机的低阻油气识别 | 第49-59页 |
| ·基于LIBSVM 软件包的支持向量机油气分类算法实现 | 第49-54页 |
| ·Libsvm 的数据格式 | 第49页 |
| ·训练及预测 | 第49-54页 |
| ·基于SMO 算法的支持向量机油气识别实现 | 第54-58页 |
| ·BAYES与支持向量机两种方法结果比较 | 第58-59页 |
| 总结 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 附录 A | 第65-66页 |
| 攻读硕士期间发表的论文 | 第66-67页 |
| 致谢 | 第67-68页 |
| 详细摘要 | 第68-72页 |