| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 课题研究的背景和意义 | 第9-10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.2.1 分类方法研究现状 | 第10-12页 |
| 1.2.2 支持向量机研究现状 | 第12-13页 |
| 1.3 论文的主要研究内容 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 第二章 统计学习理论和支持向量机 | 第16-29页 |
| 2.1 统计学习理论 | 第17-20页 |
| 2.1.1 学习过程一致性条件 | 第17-18页 |
| 2.1.2 VC 维 | 第18页 |
| 2.1.3 推广性的界 | 第18-19页 |
| 2.1.4 结构风险最小化 | 第19-20页 |
| 2.2 支持向量机 | 第20-29页 |
| 2.2.1 线性可分支持向量机 | 第20-22页 |
| 2.2.2 线性不可分支持向量机 | 第22-23页 |
| 2.2.3 非线性支持向量机 | 第23-24页 |
| 2.2.4 SVM 核函数 | 第24页 |
| 2.2.5 SVM 的优点与不足 | 第24-25页 |
| 2.2.6 SVM 训练算法简介 | 第25-26页 |
| 2.2.7 SVM 学习算法步骤 | 第26-27页 |
| 2.2.8 基于SVM 的图像分类体系结构 | 第27-29页 |
| 第三章 图像特征提取与表达 | 第29-40页 |
| 3.1 颜色特征 | 第29-35页 |
| 3.1.1 颜色空间 | 第29-31页 |
| 3.1.2 颜色矢量的量化 | 第31-34页 |
| 3.1.3 颜色特征提取 | 第34-35页 |
| 3.2 空间特征 | 第35-36页 |
| 3.3 纹理特征 | 第36-38页 |
| 3.3.1 描述纹理的方法 | 第36-37页 |
| 3.3.2 灰度共生矩阵法 | 第37-38页 |
| 3.4 特征向量归一化 | 第38-40页 |
| 第四章 SVM 分类模型参数优选 | 第40-51页 |
| 4.1 遗传算法 | 第40-42页 |
| 4.1.1 遗传算法发展史 | 第40页 |
| 4.1.2 遗传算法的应用 | 第40-41页 |
| 4.1.3 遗传算法概要 | 第41页 |
| 4.1.4 遗传算法操作步骤 | 第41-42页 |
| 4.2 SVM 参数对其性能的影响 | 第42-43页 |
| 4.3 穷举法 | 第43页 |
| 4.4 基于遗传算法的SVM 分类模型参数优选 | 第43-46页 |
| 4.4.1 编码解码方式及编码区间的选择 | 第43页 |
| 4.4.2 适应度函数的设计 | 第43-44页 |
| 4.4.3 选择操作 | 第44页 |
| 4.4.4 交叉操作 | 第44-45页 |
| 4.4.5 变异操作 | 第45页 |
| 4.4.6 停止条件 | 第45-46页 |
| 4.4.7 算法流程 | 第46页 |
| 4.5 实验与结果分析 | 第46-51页 |
| 第五章 SVM 多类分类算法研究 | 第51-63页 |
| 5.1 引言 | 第51页 |
| 5.2 基于支持向量机的多类分类器的构造与比较 | 第51-56页 |
| 5.2.1 一次性求解法 | 第51-52页 |
| 5.2.2 通过组合多个二值分类器来构造多类分类器 | 第52-56页 |
| 5.2.3 SVM 多类分类算法比较 | 第56页 |
| 5.3 基于GA 和KNN 的SVM 多类分类算法 | 第56-63页 |
| 5.3.1 训练过程 | 第57-59页 |
| 5.3.2 分类过程 | 第59-60页 |
| 5.3.3 实验与结果分析 | 第60-63页 |
| 第六章 总结和展望 | 第63-64页 |
| 6.1 总结 | 第63页 |
| 6.2 下一步工作展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士期间发表的学术论文 | 第68页 |
| 攻读硕士期间参与的科研项目 | 第68-69页 |
| 致谢 | 第69页 |