| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第一章 绪论 | 第9-13页 |
| ·论文背景 | 第9-10页 |
| ·国内外研究现状 | 第10页 |
| ·存在的问题 | 第10-11页 |
| ·本文的主要工作 | 第11-13页 |
| 第二章 统计学习理论与支持向量机 | 第13-29页 |
| ·机器学习的基本问题 | 第13-16页 |
| ·机器学习模型 | 第13-14页 |
| ·经验风险最小化 | 第14-15页 |
| ·复杂性与推广能力 | 第15-16页 |
| ·统计学习理论概述 | 第16-20页 |
| ·统计学习理论的发展简史 | 第16-17页 |
| ·统计学习理论的核心内容 | 第17-20页 |
| ·支持向量机概述 | 第20-28页 |
| ·线性支持向量机 | 第21-22页 |
| ·非线性支持向量机 | 第22-23页 |
| ·关于支持向量机分类的说明 | 第23-25页 |
| ·支持向量机训练算法介绍 | 第25-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 支持向量机增量学习算法研究 | 第29-38页 |
| ·概述 | 第29页 |
| ·支持向量机增量学习算法的研究现状 | 第29-30页 |
| ·经典的SVM的增量学习算法—Batch SVM | 第30-31页 |
| ·增量过程分析 | 第31-34页 |
| ·KKT条件 | 第32页 |
| ·相关定理 | 第32-34页 |
| ·一种改进的SVM增量学习算法 | 第34-35页 |
| ·仿真实验及结果分析 | 第35-36页 |
| ·本章小结 | 第36-38页 |
| 第四章 有效样本的预选取策略及相应的SVM增量算法校验 | 第38-47页 |
| ·概述 | 第38页 |
| ·有效样本的预选取算法介绍 | 第38-40页 |
| ·基于超平面邻近规则的有效样本预选取 | 第40-43页 |
| ·对支持向量机的几何直观解释 | 第40-41页 |
| ·算法描述 | 第41-42页 |
| ·对非线性情况的处理 | 第42-43页 |
| ·基于有效样本预选的SVM增量学习算法 | 第43-45页 |
| ·算法描述 | 第43-44页 |
| ·计算复杂度分析 | 第44-45页 |
| ·仿真实验及结果分析 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第五章 增量型SVM算法在沉积相分类中的应用 | 第47-58页 |
| ·概述 | 第47-48页 |
| ·相关知识概述 | 第48-51页 |
| ·预处理 | 第51-52页 |
| ·环境校正 | 第51页 |
| ·平滑滤波 | 第51-52页 |
| ·特征提取与选择 | 第52-56页 |
| ·研究对象分析 | 第52-54页 |
| ·测井曲线特征 | 第54页 |
| ·曲线特征选择 | 第54-56页 |
| ·SVM增量算法应用实例-沉积相分类 | 第56页 |
| ·本章小结 | 第56-58页 |
| 第六章 总结与展望 | 第58-60页 |
| ·论文工作总结 | 第58-59页 |
| ·展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 附录 攻读硕士学位期间完成的主要论文 | 第64页 |