基于模糊隶属度去噪声的决策树支持向量

摘要	第1-6页
Abstract	第6-9页
第1章 绪论	第9-13页
·支持向量机的研究背景及意义	第9-10页
·国内外研究现状	第10-11页
·本文的主要内容	第11-13页
第2章 统计学习理论和支持向量机	第13-27页
·机器学习的基本理论	第13-15页
·学习问题的一般表示	第13-14页
·经验风险最小化	第14页
·复杂性和推广能力	第14-15页
·统计学习理论的基本思想	第15-18页
·学习过程一致性的条件	第15-16页
·学习机器推广性的界和VC维理论	第16-17页
·结构风险最小化	第17-18页
·支持向量机基本理论	第18-21页
·最优超平面	第18-20页
·Mercer核	第20-21页
·支持向量机	第21-27页
·两类分类问题	第21-23页
·一类支持向量机	第23-24页
·多类支持向量机	第24-27页
第3章 基于模糊隶属度的多类支持向量机	第27-41页
·模糊支持向量机的研究现状	第27-30页
·基于模糊隶属度的决策树支持向量机方法	第30-32页
·模糊隶属度去除噪声	第31-32页
·基于类间可分性测度的决策树支持向量机	第32-37页
·基于样本紧密程度的类间可分性	第33-35页
·支持向量机决策树的构建过程	第35-37页
·算法时间复杂度分析	第37-38页
·应用举例	第38-41页
第4章 结论与展望	第41-42页
参考文献	第42-44页
致谢	第44-45页
攻读学位期间取得的科研成果	第45页