| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·选题背景 | 第7-8页 |
| ·支持向量机的研究现状 | 第8-11页 |
| ·SVM 的训练算法 | 第9-10页 |
| ·SVM 多分类方法 | 第10页 |
| ·SVM 的应用研究 | 第10-11页 |
| ·本文的研究内容 | 第11页 |
| ·本文的结构安排 | 第11-13页 |
| 第二章 支持向量机理论概述 | 第13-29页 |
| ·统计学习理论简介 | 第13-16页 |
| ·学习的一致性问题 | 第13-14页 |
| ·VC 维 | 第14页 |
| ·推广性的界 | 第14-15页 |
| ·结构风险最小化 | 第15-16页 |
| ·支持向量机 | 第16-24页 |
| ·SVM 的相关数学基础 | 第17-18页 |
| ·最优分类超平面 | 第18-19页 |
| ·线性可分情况 | 第19-23页 |
| ·线性不可分情况 | 第23-24页 |
| ·SVM 核函数及模型选择 | 第24-26页 |
| ·核函数 | 第24-25页 |
| ·SVM 模型选择 | 第25-26页 |
| ·特征选择 | 第26-27页 |
| ·本章小结 | 第27-29页 |
| 第三章 基于二分类器的多分类算法 | 第29-37页 |
| ·常见多分类算法介绍 | 第29-34页 |
| ·一对多 SVM 算法(One-against-all，OAA) | 第29-30页 |
| ·一对一 SVM 分类算法(One-against-one，OAO) | 第30-31页 |
| ·有向无环图多分类算法(Directed Acyclic Graph，DAG) | 第31页 |
| ·纠错输出编码方法(Error Correcting Output Codes，ECOC) | 第31-33页 |
| ·DECOC 方法 | 第33-34页 |
| ·一种基于拓扑保持输出编码的多分类算法 | 第34-36页 |
| ·TPOC 分类思想 | 第35-36页 |
| ·TPOC 的特性 | 第36页 |
| ·本章小结 | 第36-37页 |
| 第四章 基于二分类 SVM 多分类算法比较 | 第37-41页 |
| ·分类思想分析 | 第37-39页 |
| ·算法复杂度比较 | 第39-40页 |
| ·纠错能力分析 | 第40页 |
| ·本章小结 | 第40-41页 |
| 第五章 实验与结果分析 | 第41-53页 |
| ·实验数据与实验环境 | 第41-42页 |
| ·LIBSVM 工具包简介 | 第42-43页 |
| ·LIBSVM 使用方法简介 | 第43-46页 |
| ·实验结果与分析 | 第46-51页 |
| ·在 iris 数据集上的实验 | 第46-47页 |
| ·在 NCI 数据集上的实验 | 第47页 |
| ·在 ISOLET 数据集上的实验 | 第47-50页 |
| ·实验总结 | 第50-51页 |
| ·本章小结 | 第51-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 致谢 | 第55-57页 |
| 参考文献 | 第57-60页 |
