基于支持向量机的红外谱图识别
| 1 引言 | 第1-13页 |
| 1．1 项目概述 | 第8-10页 |
| 1．2 支持向量机应用现状 | 第10-11页 |
| 1．3 本文所做的主要工作 | 第11-13页 |
| 2 主要技术介绍 | 第13-21页 |
| 2．1 模式识别 | 第13-16页 |
| 2．1．1 模式识别的基本原理 | 第13页 |
| 2．1．2 模式识别的分类 | 第13-14页 |
| 2．1．3 模式识别的过程 | 第14-15页 |
| 2．1．4 数据预处理 | 第15-16页 |
| 2．2 机器学习与统计学习理论 | 第16-21页 |
| 2．2．1 机器学习的基本概念 | 第16-17页 |
| 2．2．2 经验风险 | 第17页 |
| 2．2．3 复杂性与推广能力 | 第17-18页 |
| 2．2．4 统计学习理论的核心内容 | 第18-21页 |
| 3 支持向量机软件实现技术 | 第21-53页 |
| 3．1 支持向量机 | 第21-26页 |
| 3．1．1 最优分类面 | 第21-24页 |
| 3．1．2 广义最优分类面 | 第24页 |
| 3．1．3 非线性 SVM | 第24-26页 |
| 3．2 支持向量机算法软件整体设计 | 第26-46页 |
| 3．2．1 软件的功能设计 | 第26页 |
| 3．2．2 软件算法流程与功能模块设计 | 第26-29页 |
| 3．2．3 SVM模块设计与实现 | 第29-38页 |
| 3．2．4 预测模块的实现 | 第38-40页 |
| 3．2．5 加权支持向量机 | 第40-41页 |
| 3．2．6 多分类问题 | 第41-42页 |
| 3．2．7 支持向量机软件界面设计 | 第42-46页 |
| 3．3 软件用例分析 | 第46-52页 |
| 3．4 小结 | 第52-53页 |
| 4 基于支持向量机的红外图谱识别 | 第53-66页 |
| 4．1 红外谱图的概念 | 第53-55页 |
| 4．2 SVM算法用于化合物官能团建模 | 第55-61页 |
| 4．2．1 谱图数据预处理 | 第55-58页 |
| 4．2．2 SVM算法用于红外数据建模 | 第58-61页 |
| 4．3 实验结果 | 第61-64页 |
| 4．3．1 支持向量机识别输出数据的统计指标 | 第61-62页 |
| 4．3．2 支持向量机对子结构的预测结果 | 第62-64页 |
| 4．4 小结 | 第64-66页 |
| 5 支持向量机在其它模式识别中的应用 | 第66-70页 |
| 5．1 加权算法用于 G偶联受体蛋白识别 | 第66-68页 |
| 5．1．1 G偶联受体蛋白数据 | 第66-67页 |
| 5．1．2 G偶联受体蛋白数学模型 | 第67页 |
| 5．1．3 小结 | 第67-68页 |
| 5．2 支持向量机算法用于癌症数据建模 | 第68-70页 |
| 5．2．1 癌症数据 | 第68页 |
| 5．2．2 KNN、ANN用于癌症数据建模 | 第68-69页 |
| 5．2．3 小结 | 第69-70页 |
| 6 结论 | 第70-74页 |
| 参考文献 | 第74-75页 |
| 声明 | 第75-76页 |
| 致谢 | 第76页 |
