| 中文摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 引言 | 第8-13页 |
| ·选题背景及研究意义 | 第8-10页 |
| ·国内外研究现状及分析 | 第10-11页 |
| ·本文的研究内容 | 第11-13页 |
| 第二章 机器学习和支持向量机理论 | 第13-22页 |
| ·机器学习的基本问题 | 第13-14页 |
| ·机器学习 | 第13-14页 |
| ·经验风险最小化 | 第14页 |
| ·支持向量机 | 第14-18页 |
| ·统计学习理论 | 第14-15页 |
| ·支持向量机 | 第15-17页 |
| ·双支持向量机 | 第17-18页 |
| ·多分类算法 | 第18-19页 |
| ·“一对余”方法 | 第18页 |
| ·“一对一”方法 | 第18-19页 |
| ·经典增量算法 | 第19-20页 |
| ·经典增量算法（Batch SVM） | 第19-20页 |
| ·基于KKT条件的增量算法 | 第20页 |
| ·本章小结 | 第20-22页 |
| 第三章 多分类最小二乘双支持向量机 | 第22-26页 |
| ·发展历史 | 第22页 |
| ·多分类最小二乘双支持向量机 | 第22-25页 |
| ·“一对一对余”方法 | 第22-23页 |
| ·线性多分类最小二乘双支持向量机算法 | 第23-24页 |
| ·非线性多分类最小二乘双支持向量机算法 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第四章 多分类最小二乘双支持向量机增量学习算法 | 第26-38页 |
| ·线性多分类最小二乘双支持向量机增量算法 | 第26-27页 |
| ·非线性多分类最小二乘双支持向量机增量算法 | 第27-29页 |
| ·减量过程 | 第29-30页 |
| ·多分类最小二乘双支持向量机增量算法伪代码 | 第30-32页 |
| ·线性算法伪代码 | 第30-31页 |
| ·非线性算法伪代码 | 第31-32页 |
| ·实验数据及性能分析 | 第32-36页 |
| ·离线算法性能分析 | 第32-34页 |
| ·多分类最小二乘双支持向量增量算法性能分析 | 第34-36页 |
| ·本章小结 | 第36-38页 |
| 第五章 ILST-KSVC在认知无线电信号调制方式识别上的应用 | 第38-47页 |
| ·循环谱理论 | 第38-41页 |
| ·循环谱的定义 | 第38-39页 |
| ·几种典型调制信号的循环谱 | 第39-41页 |
| ·LST-KSVC在无线电信号调制方式识别上的应用 | 第41-42页 |
| ·提取特征值 | 第42页 |
| ·ILST-KSVC在无线电信号调制方式识别上的应用 | 第42页 |
| ·仿真实验及性能分析 | 第42-45页 |
| ·特征值提取 | 第43页 |
| ·算法性能测试 | 第43-45页 |
| ·本章小结 | 第45-47页 |
| 第六章 总结与展望 | 第47-48页 |
| 参考文献 | 第48-50页 |
| 在学期间的研究成果 | 第50-51页 |
| 致谢 | 第51页 |
