| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 第一章 绪论 | 第15-20页 |
| 1.1 研究的背景及意义 | 第15-16页 |
| 1.1.1 研究背景 | 第15页 |
| 1.1.2 研究意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.2.1 国外研究现状 | 第16-17页 |
| 1.2.2 国内研究现状 | 第17-18页 |
| 1.3 本文研究内容 | 第18-19页 |
| 1.4 组织结构 | 第19-20页 |
| 第二章 统计学习理论及支持向量机 | 第20-33页 |
| 2.1 统计学习理论 | 第20-22页 |
| 2.1.1 VC维理论 | 第20页 |
| 2.1.2 推广性的界 | 第20-21页 |
| 2.1.3 结构风险最小化原则 | 第21-22页 |
| 2.2 支持向量机 | 第22-27页 |
| 2.2.1 最优分类面 | 第22-24页 |
| 2.2.2 线性支持向量机 | 第24-25页 |
| 2.2.3 非线性支持向量机 | 第25-27页 |
| 2.3 支持向量机的多类分类问题 | 第27-29页 |
| 2.3.1“一对多”方法 | 第27-28页 |
| 2.3.2“一对一”方法 | 第28页 |
| 2.3.3 有向无环图SVMs | 第28-29页 |
| 2.4 优化算法 | 第29-32页 |
| 2.4.1 遗传算法 | 第29-31页 |
| 2.4.2 粒子群算法 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 基于支持向量机的嫌疑人特征预测算法 | 第33-43页 |
| 3.1 犯罪嫌疑人特征预测原理 | 第33-34页 |
| 3.2 特征预测模型 | 第34-37页 |
| 3.2.1 基于信息增益的特征选择 | 第34-35页 |
| 3.2.2 模型构建 | 第35-36页 |
| 3.2.3 模型的评价指标 | 第36-37页 |
| 3.3 实验与结果分析 | 第37-42页 |
| 3.3.1 预测模型的特征选择 | 第37页 |
| 3.3.2 实验环境 | 第37-38页 |
| 3.3.3 实验过程 | 第38-39页 |
| 3.3.4 结果与分析 | 第39-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 基于Hadoop的嫌疑人特征预测分布式实现 | 第43-57页 |
| 4.1 分布式开源框架Hadoop | 第43-47页 |
| 4.1.1 分布式文件系统HDFS | 第44-45页 |
| 4.1.2 分布式计算机制MapReduce | 第45-47页 |
| 4.2 基于Hadoop的分布式嫌疑人特征预测 | 第47-52页 |
| 4.2.1 MapReduce下的特征选择 | 第47页 |
| 4.2.2 并行支持向量机实现 | 第47-52页 |
| 4.3 实验与结果分析 | 第52-56页 |
| 4.3.1 Hadoop集群搭建 | 第52-53页 |
| 4.3.2 实验设计 | 第53-54页 |
| 4.3.3 实验步骤 | 第54页 |
| 4.3.4 实验结果分析 | 第54-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 本文的主要工作 | 第57-58页 |
| 5.2 展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第62-64页 |