| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-12页 |
| ·研究背景及意义 | 第8-9页 |
| ·国内外研究现状 | 第9-10页 |
| ·支持向量机（SVM）算法 | 第9-10页 |
| ·感知器（Perceptron）算法 | 第10页 |
| ·论文内容安排 | 第10-12页 |
| 第二章 在线学习算法概述 | 第12-20页 |
| ·引言 | 第12-13页 |
| ·基于支持向量机的在线学习算法 | 第13-15页 |
| ·支持向量机（SVM）算法 | 第13页 |
| ·增量 SVM 算法 | 第13-15页 |
| ·基于感知器的在线学习算法 | 第15-19页 |
| ·Perceptron 算法 | 第15页 |
| ·PA (Passive Aggressive)算法 | 第15-17页 |
| ·Projectron 算法 | 第17-19页 |
| ·本章小结 | 第19-20页 |
| 第三章 基于 Lagrangian 支持向量机的在线学习 | 第20-32页 |
| ·引言 | 第20页 |
| ·基于 Lagrangian SVM 的在线学习算法 | 第20-27页 |
| ·Lagrangian SVM 及其在线算法 | 第20-21页 |
| ·线性独立性判别 | 第21-22页 |
| ·在线独立 Lagrangian SVM (OILSVM)算法 | 第22-23页 |
| ·实验结果及分析 | 第23-27页 |
| ·基于 OILSVM 的雷达辐射源个体在线识别 | 第27-31页 |
| ·本章小结 | 第31-32页 |
| 第四章 基于 Twin 支持向量机的在线学习 | 第32-48页 |
| ·引言 | 第32页 |
| ·基于 Twin SVM 的在线学习算法 | 第32-44页 |
| ·Twin SVM 概述 | 第32-34页 |
| ·在线 Twin SVM (OTSVM)算法 | 第34-37页 |
| ·实验结果及分析 | 第37-44页 |
| ·基于 OTSVM 的雷达辐射源个体在线识别 | 第44-46页 |
| ·本章小结 | 第46-48页 |
| 第五章 样本加权的在线学习 | 第48-64页 |
| ·引言 | 第48页 |
| ·样本权值计算方法 | 第48-52页 |
| ·加权在线 PA 算法 | 第52-55页 |
| ·实验结果及分析 | 第55-63页 |
| ·本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| ·本文总结 | 第64-65页 |
| ·未来展望 | 第65-66页 |
| 致谢 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 作者在读期间的研究成果 | 第72-73页 |
