| 摘要 | 第1-9页 |
| ABSTRACT | 第9-11页 |
| 第一章 绪论 | 第11-17页 |
| ·课题研究背景及意义 | 第11-12页 |
| ·研究历史及现状 | 第12-15页 |
| ·高分辨距离像目标识别国内外研究现状 | 第12-13页 |
| ·支持向量机算法设计国内外研究现状 | 第13-15页 |
| ·本文主要工作和内容安排 | 第15-17页 |
| 第二章 雷达一维距离像目标识别与支持向量机分类原理 | 第17-35页 |
| ·引言 | 第17-18页 |
| ·高分辨一维距离像 | 第18-24页 |
| ·高分辨一维距离像的获取 | 第18-20页 |
| ·高分辨一维距离像的仿真分析 | 第20-24页 |
| ·支持向量机分类原理 | 第24-34页 |
| ·统计学习理论基础 | 第24-28页 |
| ·最大间隔分类器 | 第28-30页 |
| ·核技巧与支持向量机构造 | 第30-32页 |
| ·软间隔支持向量机 | 第32-34页 |
| ·小结 | 第34-35页 |
| 第三章 支持向量机多目标参数优选算法设计 | 第35-56页 |
| ·引言 | 第35-36页 |
| ·支持向量机参数优选 | 第36-42页 |
| ·支持向量机参数对泛化性能的影响 | 第36-40页 |
| ·支持向量机泛化性能估计 | 第40-42页 |
| ·多目标优化问题与非支配排序遗传算法-II | 第42-47页 |
| ·多目标优化问题 | 第42-44页 |
| ·非支配排序遗传算法-II | 第44-47页 |
| ·基于NSGA-II 的支持向量机多目标参数优选算法 | 第47-55页 |
| ·参数对半径间隔界和支持向量数影响 | 第47-51页 |
| ·支持向量机多目标参数优选算法设计 | 第51-52页 |
| ·实验结果分析 | 第52-55页 |
| ·小结 | 第55-56页 |
| 第四章 支持向量机多阶段选择性集成算法设计 | 第56-69页 |
| ·引言 | 第56-57页 |
| ·集成学习理论与算法基础 | 第57-60页 |
| ·理论基础 | 第57-59页 |
| ·Bagging 集成 | 第59-60页 |
| ·选择性集成 | 第60页 |
| ·集成学习算法设计的多阶段框架 | 第60-64页 |
| ·基学习器生成阶段 | 第60-61页 |
| ·集成成员选择阶段 | 第61-62页 |
| ·集成成员组合阶段 | 第62-64页 |
| ·基于遗传算法的支持向量机多阶段选择性集成算法 | 第64-68页 |
| ·支持向量机多阶段选择性集成算法设计 | 第64-66页 |
| ·实验结果分析 | 第66-68页 |
| ·小结 | 第68-69页 |
| 第五章 结束语 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-78页 |
| 作者在学期间取得的学术成果 | 第78-79页 |
| 附录A 软间隔SVM 的求解 | 第79-82页 |
| 附录B 2 范数软间隔SVM 半径间隔界的计算 | 第82-85页 |
| 附录C 分类任务中选择性集成提高泛化性能的证明 | 第85-86页 |