一种基于局部线性嵌入的SVM学习算法
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 课题研究背景及意义 | 第11页 |
| 1.2 流形学习方法研究背景与现状 | 第11-14页 |
| 1.3 本文的研究内容 | 第14-15页 |
| 1.4 论文的章节安排 | 第15-16页 |
| 第2章 机器学习与SVM理论概述 | 第16-24页 |
| 2.1 机器学习理论 | 第16-18页 |
| 2.1.1 机器学习概念 | 第16-17页 |
| 2.1.2 机器学习分类 | 第17-18页 |
| 2.2 支持向量机SVM方法 | 第18-21页 |
| 2.2.1 支持向量机算法 | 第19页 |
| 2.2.2 核函数 | 第19-21页 |
| 2.3 半监督学习 | 第21-22页 |
| 2.3.1 半监督学习现状 | 第21-22页 |
| 2.3.2 半监督学习假设 | 第22页 |
| 2.4 本章小结 | 第22-24页 |
| 第3章 基于LLE的SVM增量学习算法 | 第24-39页 |
| 3.1 引言 | 第24页 |
| 3.2 基于LLE的SVM分类方法研究 | 第24-30页 |
| 3.2.1 支持向量机（SVM）研究 | 第24-25页 |
| 3.2.2 用于数据降维的流形学习方法分析 | 第25-26页 |
| 3.2.3 线性流形学习方法及PCA-SVM研究 | 第26-27页 |
| 3.2.4 非线性流形方法研究及SVM改进 | 第27-30页 |
| 3.3 基于LLE的SVM增量算法研究 | 第30-33页 |
| 3.3.1 对LLE-SVM的改进方法分析 | 第30-31页 |
| 3.3.2 增量PCA-SVM算法 | 第31-32页 |
| 3.3.3 增量LLE-SVM算法 | 第32-33页 |
| 3.4 数据测试 | 第33-37页 |
| 3.4.1 手写数据库MNIST测试 | 第34-36页 |
| 3.4.2 瓷片表面缺陷分类测试 | 第36-37页 |
| 3.5 本章小结 | 第37-39页 |
| 第4章 基于LLE的半监督SVM方法 | 第39-49页 |
| 4.1 引言 | 第39-40页 |
| 4.2 半监督增量SVM学习研究分析 | 第40-43页 |
| 4.2.1 半监督SVM研究 | 第40-41页 |
| 4.2.2 直推式支持向量机研究 | 第41-42页 |
| 4.2.3 LLE-TSVM算法及增量算法 | 第42-43页 |
| 4.3 数据测试 | 第43-47页 |
| 4.3.1 手写数据库MNIST测试 | 第44-46页 |
| 4.3.2 瓷片图像的分割及分类测试 | 第46-47页 |
| 4.4 本章小结 | 第47-49页 |
| 第5章 总结与展望 | 第49-51页 |
| 5.1 总结 | 第49-50页 |
| 5.2 展望 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 致谢 | 第55-56页 |
| 攻读学位期间参加的科研项目和成果 | 第56页 |
