多类统计模式识别模型及应用研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 1 绪论 | 第9-14页 |
| ·问题的提出及研究意义 | 第9-10页 |
| ·问题的提出 | 第9页 |
| ·研究意义 | 第9-10页 |
| ·国内外研究现状 | 第10-12页 |
| ·多分类模式识别方法研究现状 | 第10-12页 |
| ·模糊支持向量机研究现状 | 第12页 |
| ·研究思路与研究内容 | 第12-14页 |
| 2 统计模式识别与支持向量机概述 | 第14-30页 |
| ·引言 | 第14页 |
| ·统计模式识别 | 第14-16页 |
| ·统计模式识别问题 | 第14-15页 |
| ·统计模式识别方法 | 第15-16页 |
| ·统计学习理论 | 第16-20页 |
| ·经验风险 | 第16-17页 |
| ·VC 维 | 第17页 |
| ·学习过程中的一致性条件 | 第17-19页 |
| ·结构风险最小归纳原理 | 第19-20页 |
| ·支持向量机的基本原理 | 第20-25页 |
| ·最优超平面 | 第21-22页 |
| ·线性可分情况及线性不可分情况 | 第22-23页 |
| ·核函数 | 第23-25页 |
| ·支持向量 | 第25页 |
| ·基于支持向量机的分类方法 | 第25-29页 |
| ·v-SVM 方法 | 第25-26页 |
| ·One-class SVM 方法 | 第26-27页 |
| ·RSVM 方法 | 第27页 |
| ·LS-SVM 方法 | 第27页 |
| ·FSVM 算法 | 第27-28页 |
| ·各种变形算法的比较 | 第28-29页 |
| ·小结 | 第29-30页 |
| 3 基于SVM 的多分类方法 | 第30-36页 |
| ·引言 | 第30页 |
| ·间接构造多分类器方法 | 第30-34页 |
| ·一对多方法 | 第30-31页 |
| ·一对一方法 | 第31-32页 |
| ·树型支持向量机多分类方法 | 第32-33页 |
| ·决策导向无环图方法 | 第33-34页 |
| ·直接构造多分类器方法 | 第34-35页 |
| ·小结 | 第35-36页 |
| 4 模糊支持向量机多分类方法 | 第36-40页 |
| ·引言 | 第36页 |
| ·模糊支持向量机 | 第36-38页 |
| ·模糊补偿多类支持向量机(FC-SVM) | 第38-39页 |
| ·小结 | 第39-40页 |
| 5 基于模糊加权的SVDD 多类分类方法 | 第40-54页 |
| ·引言 | 第40-41页 |
| ·数据域描述问题 | 第41-44页 |
| ·1-类(One-class)分类问题描述 | 第41-42页 |
| ·支持向量数据描述 | 第42-44页 |
| ·改进的噪声聚类算法 | 第44-46页 |
| ·基于改进的NC 加权SVDD 模型 | 第46-48页 |
| ·加权SVDD 方法 | 第46页 |
| ·基于模糊加权SVDD 多分类的算法描述 | 第46-48页 |
| ·算法理论依据 | 第48-50页 |
| ·贝叶斯决策理论 | 第48-49页 |
| ·提出算法的理论说明 | 第49-50页 |
| ·算例分析 | 第50-51页 |
| ·实例分析 | 第51-53页 |
| ·小结 | 第53-54页 |
| 6 总结与展望 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 附录 | 第60页 |
