| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 1 绪论 | 第8-16页 |
| ·研究背景 | 第8-9页 |
| ·论文选题的意义 | 第9-11页 |
| ·国内外的研究现状和进展 | 第11-13页 |
| ·SVM算法的训练速度问题及其大规模数据问题的研究 | 第11-13页 |
| ·支持向量机参数选择问题的研究 | 第13页 |
| ·支持向量机的增量学习 | 第13页 |
| ·论文的组织结构 | 第13-16页 |
| 2 支持向量机理论 | 第16-30页 |
| ·统计学习理论基础 | 第17-21页 |
| ·推广性的界 | 第18-19页 |
| ·函数集的VC维 | 第19页 |
| ·经验风险最小化原则 | 第19-20页 |
| ·结构风险最小化(SRM)原则 | 第20-21页 |
| ·支持向量机理论基础 | 第21-26页 |
| ·最优分类超平面 | 第22页 |
| ·线性支持向量机 | 第22-24页 |
| ·非线性支持向量机 | 第24-25页 |
| ·核函数 | 第25-26页 |
| ·支持向量机理论的主要研究内容 | 第26-28页 |
| ·各种算法研究 | 第26-27页 |
| ·模型选择 | 第27页 |
| ·多类别分类问题 | 第27-28页 |
| ·支持向量机的优点 | 第28页 |
| ·本章小结 | 第28-30页 |
| 3 基于PSO的LS-SVM特征选择与参数同步优化算法 | 第30-40页 |
| ·特征选择的基本概念 | 第30-31页 |
| ·最小二乘支持向量机原理 | 第31-32页 |
| ·SVM参数对其性能的影响 | 第32-33页 |
| ·粒子群算法 | 第33-35页 |
| ·PSO-LSSVM算法设计 | 第35-36页 |
| ·粒子设计 | 第35页 |
| ·适应度函数 | 第35-36页 |
| ·实验结果和分析 | 第36-39页 |
| ·本章小结 | 第39-40页 |
| 4 基于增量学习的渐进直推式支持向量机算法 | 第40-52页 |
| ·增量学习思想 | 第40-42页 |
| ·直推式支持向量机 | 第42-44页 |
| ·渐进直推式支持向量机 | 第44-45页 |
| ·改进后的IPTSVM_L算法 | 第45-48页 |
| ·实验结果与分析 | 第48-50页 |
| ·评估标准和实验条件 | 第48-49页 |
| ·实验结果和分析 | 第49-50页 |
| ·本章小结 | 第50-52页 |
| 5 总结及展望 | 第52-54页 |
| ·全文总结 | 第52页 |
| ·展望 | 第52-54页 |
| 致谢 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 附录 | 第60页 |
| 在校期间所获奖励 | 第60页 |