| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·问题背景和意义 | 第7-9页 |
| ·有监督学习的发展 | 第9页 |
| ·正则技术的发展 | 第9页 |
| ·统计学习理论的发展 | 第9-10页 |
| ·核机器学习方法的发展 | 第10-11页 |
| ·本文主要工作及结构 | 第11-13页 |
| ·本文主要工作 | 第11页 |
| ·本文内容安排 | 第11-13页 |
| 第二章 统计学习理论 | 第13-27页 |
| ·学习问题的表示 | 第13-15页 |
| ·函数估计模型 | 第13页 |
| ·风险最小化问题 | 第13-14页 |
| ·三种主要的学习问题 | 第14-15页 |
| ·经验风险最小化问题 | 第15-18页 |
| ·解不定积分方程 | 第18-23页 |
| ·结构风险最小化 | 第23-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 再生核与再生核学习机 | 第27-31页 |
| ·特征空间中的学习 | 第27页 |
| ·核函数与希尔伯特空间 | 第27-30页 |
| ·再生核 | 第28-29页 |
| ·特征空间和经验特征空间 | 第29-30页 |
| ·再生核Hilbert空间与经验再生核Hilbert空间 | 第30页 |
| ·本章小结 | 第30-31页 |
| 第四章 正则化学习与核函数 | 第31-45页 |
| ·正则化学习 | 第31-36页 |
| ·符号表示 | 第31页 |
| ·有监督学习问题 | 第31页 |
| ·岭回归 | 第31-32页 |
| ·支持向量机 | 第32-34页 |
| ·一般的正则化学习及其应用 | 第34-36页 |
| ·用表示定理求解正则化问题 | 第36-41页 |
| ·表示定理 | 第36-38页 |
| ·有限个变量的优化问题 | 第38-40页 |
| ·对正则化问题引入核函数 | 第40-41页 |
| ·学习最优核函数 | 第41-44页 |
| ·本章小结 | 第44-45页 |
| 第五章 新的基于有监督的核函数优化算法 | 第45-53页 |
| ·问题的提出 | 第45页 |
| ·理论知识准备 | 第45-46页 |
| ·再生希尔伯特空间上的正则化框架 | 第45-46页 |
| ·最大最小问题 | 第46页 |
| ·基于有监督学习核函数的优化算法 | 第46-47页 |
| ·新的基于有监督的核函数优化算法 | 第47-48页 |
| ·实验结果和分析 | 第48-52页 |
| ·本章小结 | 第52-53页 |
| 结束语 | 第53-55页 |
| 致谢 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 在读期间的研究成果 | 第61-62页 |