多尺度核函数支持向量机算法及其应用研究
| 摘要 | 第1-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第10-17页 |
| §1.1 机器学习概述 | 第10-13页 |
| §1.2 统计学习理论发展 | 第13-15页 |
| §1.3 本文的主要内容 | 第15-17页 |
| 第二章 支持向量机的理论基础 | 第17-33页 |
| §2.1 统计学习理论及结构风险最小化准则 | 第17-21页 |
| §2.2 支持向量机基本原理 | 第21-29页 |
| §2.3 优化问题的求解算法 | 第29-33页 |
| 第三章 SVM的模型选择问题 | 第33-40页 |
| §3.1 k重交互检测和除一检测 | 第33-34页 |
| §3.2 核函数的选择 | 第34-36页 |
| §3.3 GAUSSIAN核函数的参数选择 | 第36页 |
| §3.4 训练样本集缩减策略 | 第36-40页 |
| 第四章 MERCER核函数及其自生空间 | 第40-45页 |
| §4.1 MERCER核函数 | 第40-41页 |
| §4.2 MERCER核的自生空间 | 第41-43页 |
| §4.3 N_Φ空间中的插值问题 | 第43-45页 |
| 第五章 多尺度核函数 | 第45-52页 |
| §5.1 L~2(R~d)空间的多分辨分析 | 第45页 |
| §5.2 多尺度核函数 | 第45-47页 |
| §5.3 有限多尺度核函数 | 第47-49页 |
| §5.4 多尺度核函数的例子 | 第49-52页 |
| 第六章 多尺度核函数支持向量机的应用算法研究 | 第52-62页 |
| §6.1 多尺度核函数SVM对样本数据的要求 | 第52-53页 |
| §6.2 确定相关参数的搜索范围 | 第53-57页 |
| §6.3 多尺度核函数SVM参数搜索策略 | 第57-62页 |
| 第七章 总结与展望 | 第62-64页 |
| §7.1 全文工作总结 | 第62-63页 |
| §7.2 进一步工作展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 硕士期间的主要工作 | 第70页 |
