| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 引言 | 第11-15页 |
| 1 课题研究背景及意义 | 第11页 |
| 2 国内外研究现状 | 第11-13页 |
| 3 论文研究的内容及组织结构 | 第13-15页 |
| 一 支持向量机的基本理论 | 第15-23页 |
| ·统计学习理论 | 第15-17页 |
| ·支持向量机的分类基础 | 第17-22页 |
| ·线性可分和最优分类面 | 第17-20页 |
| ·线性不可分与软间隔概念 | 第20-21页 |
| ·非线性与核函数 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 二 支持向量机增量学习算法 | 第23-29页 |
| ·增量学习 | 第23页 |
| ·支持向量机增量学习算法 | 第23-26页 |
| ·支持向量 | 第23-24页 |
| ·增量学习后SV集的变化 | 第24-26页 |
| ·常用增量学习算法 | 第26-28页 |
| ·经典的SVM增量学习算法—Batch SVM | 第26-27页 |
| ·基于KKT条件的增量学习算法 | 第27页 |
| ·一种支持向量机的改进增量学习算法 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 三 多分类问题和薄板复合材料粘接缺陷十级分类器的构造 | 第29-35页 |
| ·多分类问题的解决思路 | 第29-30页 |
| ·多类分类器的分解组合方法 | 第30-32页 |
| ·1-a-1方法 | 第30-31页 |
| ·1-a-r方法 | 第31-32页 |
| ·DAG方法 | 第32页 |
| ·树形多类分类方法 | 第32-34页 |
| ·本章小结 | 第34-35页 |
| 四 薄板复合材料粘接缺陷样本数据集的全加权 | 第35-46页 |
| ·类加权 | 第35-39页 |
| ·SVM算法性能分析 | 第35-37页 |
| ·类加权支持向量机 | 第37-39页 |
| ·样本加权 | 第39-42页 |
| ·特征加权 | 第42-43页 |
| ·构造全加权支持向量机 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 五 全加权增量支持向量机在薄板粘接缺陷定量识别中的应用 | 第46-63页 |
| ·薄板粘接缺陷超声检测量化识别的数据来源 | 第46-47页 |
| ·原始数据的预处理 | 第47-49页 |
| ·基于全加权增量SVM的薄板粘接缺陷量化识别系统模型 | 第49-61页 |
| ·基于全加权增量SVM的十级粘接缺陷分类模型 | 第49-54页 |
| ·实验评仙 | 第54-61页 |
| ·本章小结 | 第61-63页 |
| 总结与展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69页 |
| 攻读学位期间发表的学术论文 | 第69页 |
| 读研期间参加的科研项目 | 第69页 |
