| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-11页 |
| ·选题背景及研究意义 | 第7-8页 |
| ·研究现状 | 第8-9页 |
| ·本文主要工作及内容安排 | 第9-11页 |
| ·本文的主要工作 | 第9页 |
| ·本文的内容安排 | 第9-11页 |
| 第二章 支持向量机增量学习的基本理论 | 第11-19页 |
| ·统计学习理论 | 第11-12页 |
| ·支持向量机（SVM）的相关理论 | 第12-15页 |
| ·支持向量机（SVM） | 第12-14页 |
| ·支持向量（SV） | 第14-15页 |
| ·最优化问题的KKT 条件 | 第15-17页 |
| ·KKT 条件 | 第15-16页 |
| ·广义KKT 条件 | 第16-17页 |
| ·增量学习 | 第17-18页 |
| ·本章小节 | 第18-19页 |
| 第三章 支持向量机的相关算法概述 | 第19-29页 |
| ·SVM标准算法 | 第19-24页 |
| ·线性可分情况 | 第19-21页 |
| ·线性不可分情况 | 第21-22页 |
| ·非线性可分情况 | 第22-24页 |
| ·求解海量数据的SVM算法 | 第24-28页 |
| ·选块算法(chunking) | 第25-26页 |
| ·分解算法(decomposing) | 第26-27页 |
| ·序列最小最优化(sequential minimal optimization , SMO)算法 | 第27-28页 |
| ·本章小节 | 第28-29页 |
| 第四章 支持向量机增量学习算法 | 第29-39页 |
| ·SVM增量学习算法概述 | 第29-31页 |
| ·SVM增量学习算法的提出 | 第29-30页 |
| ·SVM增量学习算法的研究现状 | 第30-31页 |
| ·SVM增量学习问题及算法 | 第31-34页 |
| ·简单的SVM增量学习算法 | 第31-33页 |
| ·经典的SVM增量学习算法——Batch SVM | 第33-34页 |
| ·寻找最近点SVM增量学习算法 | 第34-36页 |
| ·算法的提出 | 第34-36页 |
| ·寻找最近点SVM增量学习算法描述 | 第36页 |
| ·本章小节 | 第36-39页 |
| 第五章 试验结果及其分析 | 第39-43页 |
| ·寻找最近点SVM增量学习算法与标准的SVM算法结果比较 | 第39-41页 |
| ·寻找最近点SVM增量学习算法与一般的SVM增量学习算法结果比较 | 第41-42页 |
| ·本章小节 | 第42-43页 |
| 结束语与展望 | 第43-45页 |
| 致谢 | 第45-47页 |
| 参考文献 | 第47-51页 |
| 在读期间的研究成果 | 第51-52页 |
