支持向量机的优化建模方法研究
| 中文摘要 | 第8-10页 |
| ABSTRACT | 第10-12页 |
| 第一章 引言 | 第13-25页 |
| 1.1 研究背景 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-22页 |
| 1.3 论文主要工作 | 第22-25页 |
| 第二章 背景知识 | 第25-33页 |
| 2.1 统计学习理论 | 第25-28页 |
| 2.1.1 学习问题表示 | 第25-26页 |
| 2.1.2 学习机推广能力 | 第26-28页 |
| 2.2 支持向量机 | 第28-32页 |
| 2.2.1 支持向量分类机 | 第28-30页 |
| 2.2.2 支持向量回归机 | 第30-31页 |
| 2.2.3 核方法 | 第31-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第三章 粒度支持向量机优化模型 | 第33-67页 |
| 3.1 粒度支持向量机 | 第33-38页 |
| 3.1.1 粒度计算 | 第33-34页 |
| 3.1.2 粒度支持向量机模型 | 第34-35页 |
| 3.1.3 粒度支持向量机泛化性能分析 | 第35-38页 |
| 3.2 基于核方法的粒度支持向量机 | 第38-47页 |
| 3.2.1 粒度核支持向量机方法 | 第38-42页 |
| 3.2.2 核粒度支持向量机方法 | 第42-47页 |
| 3.3 基于混合度量的粒度支持向量机 | 第47-66页 |
| 3.3.1 混合粒划分及度量 | 第47-49页 |
| 3.3.2 基于混合度量的支持向量机方法 | 第49-66页 |
| 3.4 本章小结 | 第66-67页 |
| 第四章 动态层次支持向量机优化模型 | 第67-91页 |
| 4.1 层次结构支持向量机 | 第67-68页 |
| 4.2 基于动态层次结构的支持向量机 | 第68-89页 |
| 4.2.1 动态层次划分 | 第69-71页 |
| 4.2.2 基于动态层次划分的支持向量机分类方法 | 第71-80页 |
| 4.2.3 基于动态层次划分的支持向量机回归方法 | 第80-89页 |
| 4.3 本章小结 | 第89-91页 |
| 第五章 主动多分类支持向量机优化模型 | 第91-143页 |
| 5.1 多分类支持向量机 | 第91-94页 |
| 5.2 基于主动学习的模式类别挖掘 | 第94-107页 |
| 5.3 主动多分类支持向量机学习方法 | 第107-129页 |
| 5.4 主动多分类在线支持向量机学习方法 | 第129-141页 |
| 5.5 本章小结 | 第141-143页 |
| 第六章 面向非平衡数据的支持向量机优化模型 | 第143-161页 |
| 6.1 面向非平衡数据的支持向量机 | 第143-145页 |
| 6.2 基于采样的支持向量机 | 第145-150页 |
| 6.2.1 非平衡信息粒提取 | 第145-146页 |
| 6.2.2 基于采样的非平衡支持向量机方法 | 第146-150页 |
| 6.3 基于平衡因子的支持向量机 | 第150-159页 |
| 6.3.1 非平衡划分及平衡因子 | 第150-151页 |
| 6.3.2 基于平衡因子的非平衡支持向量机方法 | 第151-159页 |
| 6.4 本章小结 | 第159-161页 |
| 结论与展望 | 第161-163页 |
| 参考文献 | 第163-175页 |
| 研究成果 | 第175-177页 |
| 致谢 | 第177-179页 |
| 个人简况及联系方式 | 第179-183页 |
