支持向量回归增量学习算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 目录 | 第6-8页 |
| 图表清单 | 第8-9页 |
| 注释表 | 第9-10页 |
| 缩略词 | 第10-11页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景 | 第11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.3 本文主要研究内容 | 第13页 |
| 1.4 本文的组织结构 | 第13-15页 |
| 第二章 支持向量回归理论及增量学习思想 | 第15-30页 |
| 2.1 统计学习理论 | 第15-17页 |
| 2.1.1 VC 维理论简介 | 第15-16页 |
| 2.1.2 结构风险最小化理论 | 第16-17页 |
| 2.2 支持向量分类 | 第17-18页 |
| 2.3 支持向量回归 | 第18-25页 |
| 2.3.1 核方法和核函数 | 第18-20页 |
| 2.3.2 损失函数 | 第20页 |
| 2.3.3 经典支持向量回归 | 第20-23页 |
| 2.3.4 v支持向量回归 | 第23-25页 |
| 2.4 增量学习 | 第25-26页 |
| 2.4.1 增量学习思想 | 第25-26页 |
| 2.4.2 增量学习与在线学习的异同 | 第26页 |
| 2.5 支持向量回归增量学习过程 | 第26-29页 |
| 2.5.1 KKT 条件以及其对样本集的划分 | 第27-28页 |
| 2.5.2 增量学习过程样本集的变化 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第三章 L 增量支持向量回归 | 第30-41页 |
| 3.1 几种常见的增量 SVM 算法 | 第30-31页 |
| 3.2 ISVR 增量过程分析 | 第31-32页 |
| 3.3 支持向量回归 L 增量学习算法 | 第32-35页 |
| 3.3.1 LISVR 的提出 | 第32-33页 |
| 3.3.2 LISVR 求解过程 | 第33-35页 |
| 3.4 实验与分析 | 第35-40页 |
| 3.4.1 人工数据集 | 第35-36页 |
| 3.4.2 真实数据集 | 第36-38页 |
| 3.4.3 机场噪声数据集 | 第38-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 基于密度因子的 L 增量支持向量回归算法 | 第41-50页 |
| 4.1 LDESVR 算法 | 第41-43页 |
| 4.2 LDELISVR 算法 | 第43-46页 |
| 4.3 实验与分析 | 第46-48页 |
| 4.4 本章小结 | 第48-50页 |
| 第五章 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50页 |
| 5.2 进一步研究工作 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-57页 |
| 在学期间的研究成果及发表的学术论文 | 第57页 |
