| 创新点摘要 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第1章 绪论 | 第13-26页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 支持向量技术研究现状 | 第14-23页 |
| 1.3 本文的工作及结构安排 | 第23-26页 |
| 第2章 支持向量技术理论基础 | 第26-48页 |
| 2.1 机器学习的基本问题 | 第26-28页 |
| 2.1.1 机器学习 | 第26-27页 |
| 2.1.2 经验风险最小化 | 第27-28页 |
| 2.1.3 复杂性与泛化能力 | 第28页 |
| 2.2 统计学习理论 | 第28-32页 |
| 2.2.1 学习过程一致性条件 | 第28-29页 |
| 2.2.2 VC维 | 第29-30页 |
| 2.2.3 推广性的界 | 第30-31页 |
| 2.2.4 结构风险最小化 | 第31-32页 |
| 2.3 支持向量机 | 第32-43页 |
| 2.3.1 线性支持向量机 | 第33-38页 |
| 2.3.2 非线性支持向量机 | 第38-40页 |
| 2.3.3 多分类支持向量机 | 第40-43页 |
| 2.4 支持向量聚类 | 第43-47页 |
| 2.4.1 支持向量获取 | 第44-46页 |
| 2.4.2 簇标定 | 第46-47页 |
| 2.5 本章小结 | 第47-48页 |
| 第3章 基于遗传算法优化SVM决策树的多分类方法及其应用 | 第48-69页 |
| 3.1 引言 | 第48-49页 |
| 3.2 基于遗传算法优化SVM决策树 | 第49-53页 |
| 3.2.1 遗传算法的设计 | 第49-53页 |
| 3.2.2 基于遗传算法优化SVM决策树的流程 | 第53页 |
| 3.3 基于GA优化SVM决策树的分类方法在模拟电路故障诊断中应用 | 第53-68页 |
| 3.3.1 模拟电路仿真 | 第54-57页 |
| 3.3.2 特征向量提取 | 第57-64页 |
| 3.3.3 故障诊断结果 | 第64-68页 |
| 3.4 本章小结 | 第68-69页 |
| 第4章 基于改进KPCA与线性SVM的分类方法及其应用 | 第69-100页 |
| 4.1 核主成分分析 | 第69-72页 |
| 4.1.1 核主成分分析基本原理 | 第69-71页 |
| 4.1.2 核主成分分析算法的实现步骤 | 第71-72页 |
| 4.2 基于核主成分分析与线性SVM的分类方法 | 第72-75页 |
| 4.3 基于改进KPCA与线性SVM的分类方法 | 第75-78页 |
| 4.4 提出算法在场景分类中的应用 | 第78-80页 |
| 4.4.1 场景分类的研究背景 | 第78-79页 |
| 4.4.2 场景图像分类算法整体框架 | 第79-80页 |
| 4.5 局部Gabor特征提取 | 第80-85页 |
| 4.5.1 二维Gabor变换 | 第80-82页 |
| 4.5.2 多尺度多方向Gabor滤波器组 | 第82-84页 |
| 4.5.3 局部Gabor特征提取 | 第84-85页 |
| 4.6 基于空间金字塔匹配的视觉词包模型 | 第85-91页 |
| 4.6.1 视觉词包模型 | 第86-87页 |
| 4.6.2 视觉词包表示的步骤 | 第87-88页 |
| 4.6.3 塔式关键词直方图 | 第88-90页 |
| 4.6.4 空间金字塔匹配核 | 第90-91页 |
| 4.7 场景分类实验与结果 | 第91-99页 |
| 4.8 本章小结 | 第99-100页 |
| 第5章 基于多叶子生成树的支持向量聚类算法研究 | 第100-142页 |
| 5.1 引言 | 第100-102页 |
| 5.2 最小生成树 | 第102-104页 |
| 5.3 多叶子生成树 | 第104-108页 |
| 5.3.1 多叶子生成树算法结构 | 第104-105页 |
| 5.3.2 并查集操作 | 第105-108页 |
| 5.4 基于多叶子生成树的支持向量聚类 | 第108-126页 |
| 5.4.1 基于多叶子生成树的支持向量聚类算法结构 | 第108-110页 |
| 5.4.2 仿真实验与结果 | 第110-126页 |
| 5.5 基于高维特征空间中多叶子生成树的支持向量聚类算法 | 第126-141页 |
| 5.5.1 样本点在高维特征空间中映像的欧氏距离 | 第126-127页 |
| 5.5.2 多叶子生成树主干的判断 | 第127页 |
| 5.5.3 基于高维特征空间中多叶子生成树的支持向量聚类算法流程 | 第127-128页 |
| 5.5.4 仿真实验与结果 | 第128-141页 |
| 5.6 本章小结 | 第141-142页 |
| 第6章 多叶子生成树SVC算法在轮机故障诊断中的应用 | 第142-156页 |
| 6.1 船舶柴油机故障诊断研究背景 | 第142-143页 |
| 6.2 故障诊断流程 | 第143-144页 |
| 6.3 故障数据采集 | 第144-151页 |
| 6.4 实验与结果 | 第151-154页 |
| 6.5 本章小结 | 第154-156页 |
| 结论与展望 | 第156-159页 |
| 参考文献 | 第159-169页 |
| 攻读学位期间公开发表论文 | 第169-170页 |
| 致谢 | 第170-171页 |
| 作者简介 | 第171页 |
