| 第一章 引言 | 第1-16页 |
| ·研究背景 | 第12-14页 |
| ·国内外研究现状 | 第14-15页 |
| ·论文的主要工作 | 第15-16页 |
| 第二章 统计学习理论和支撑向量机 | 第16-24页 |
| ·统计学习理论 | 第16-19页 |
| ·学习问题的一般表示 | 第16-17页 |
| ·学习机器泛化能力的界 | 第17-19页 |
| ·SVM简介 | 第19-24页 |
| ·线性硬间隔 SVM | 第20-21页 |
| ·线性软间隔 SVM | 第21-22页 |
| ·核映射 | 第22-24页 |
| 第三章 核参数选择方法的分析与研究 | 第24-29页 |
| ·泛化误差上界的估计方法 | 第24-27页 |
| ·验证集估计(validation estimate) | 第24页 |
| ·留一法(leave-one-out)上界 | 第24-27页 |
| ·最优参数的选取 | 第27-29页 |
| 第四章 基于凸包估计的核及参数选择方法 | 第29-35页 |
| ·基于凸包估计的核选择方法 | 第29-32页 |
| ·凸包估计的核选择方法的实现 | 第32-35页 |
| 第五章 数值实验 | 第35-41页 |
| ·近似凸包构造 | 第35页 |
| ·高斯核参数选择 | 第35-39页 |
| ·高斯核参数分析 | 第35-36页 |
| ·数据集说明 | 第36-37页 |
| ·实验结果及分析 | 第37-39页 |
| ·核函数选择 | 第39-41页 |
| 第六章 结论和展望 | 第41-43页 |
| 参考文献 | 第43-46页 |
| 致谢 | 第46-47页 |
| 附录 | 第47-48页 |