| 中文摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 主要符号对照表 | 第10-11页 |
| 1 绪论 | 第11-19页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 支持向量机的研究现状 | 第12-15页 |
| 1.2.1 支持向量机的算法研究 | 第12-15页 |
| 1.2.2 支持向量机的应用研究 | 第15页 |
| 1.3 论文的研究意义和主要内容 | 第15-17页 |
| 1.3.1 论文的研究意义 | 第15页 |
| 1.3.2 论文的主要研究内容 | 第15-16页 |
| 1.3.3 拟解决的关键问题 | 第16-17页 |
| 1.4 本文的结构安排 | 第17-19页 |
| 2 支持向量机理论基础 | 第19-45页 |
| 2.1 统计学习理论 | 第19-25页 |
| 2.1.1 经验风险最小化准则 | 第19-20页 |
| 2.1.2 学习过程的一致性 | 第20-21页 |
| 2.1.3 VC维与推广能力的界 | 第21-22页 |
| 2.1.4 结构风险最小化原则 | 第22-25页 |
| 2.2 最优化理论 | 第25-26页 |
| 2.3 支持向量机 | 第26-40页 |
| 2.3.1 最优分类超平面 | 第26-28页 |
| 2.3.2 线性支持向量机 | 第28-32页 |
| 2.3.3 核函数和非线性支持向量机 | 第32-37页 |
| 2.3.4 变形支持向量机 | 第37-40页 |
| 2.4 序列最小优化算法 | 第40-43页 |
| 2.5 本章小结 | 第43-45页 |
| 3 基于分类噪声检测的低维支持向量机 | 第45-61页 |
| 3.1 研究背景与问题分析 | 第45页 |
| 3.2 分类噪声 | 第45-47页 |
| 3.3 使用相对密度检测分类噪声 | 第47-51页 |
| 3.3.1 相对密度的定义 | 第47-49页 |
| 3.3.2 相对密度的有效性 | 第49-51页 |
| 3.4 基基于分类噪声检测的序列最小优化算法 | 第51-54页 |
| 3.4.1 C-支持向量机 | 第51-52页 |
| 3.4.2 基于分类噪声检测的序列最小优化模型 | 第52-54页 |
| 3.4.3 算法效率分析 | 第54页 |
| 3.5 仿真实验分析 | 第54-59页 |
| 3.6 本章小结 | 第59-61页 |
| 4 基于位置差异的高维相对密度算法 | 第61-85页 |
| 4.1 基于位置差异的近邻搜索算法 | 第61-68页 |
| 4.1.1 位置差异因子 | 第61-64页 |
| 4.1.2 算法设计 | 第64-67页 |
| 4.1.3 参数 ε 的设置 | 第67-68页 |
| 4.2 仿真实验分析 | 第68-79页 |
| 4.2.1 LDBA算法有效性分析 | 第68-72页 |
| 4.2.2 LDBA算法效率分析 | 第72-79页 |
| 4.3 基于位置差异的高维相对密度算法 | 第79-83页 |
| 4.3.1 算法设计和复杂度分析 | 第79-80页 |
| 4.3.2 仿真实验分析 | 第80-83页 |
| 4.4 本章小结 | 第83-85页 |
| 5 基于位置差异和分类噪声检测的支持向量机 | 第85-95页 |
| 5.1 基于位置差异和分类噪声检测的支持向量机 | 第85-87页 |
| 5.1.1 算法设计 | 第85-86页 |
| 5.1.2 算法效率分析 | 第86-87页 |
| 5.2 仿真实验分析 | 第87-93页 |
| 5.3 本章小结 | 第93-95页 |
| 6 总结和展望 | 第95-97页 |
| 6.1 取得的成果和创新点 | 第95页 |
| 6.2 未来的工作展望 | 第95-97页 |
| 致谢 | 第97-99页 |
| 参考文献 | 第99-107页 |
| 附录 | 第107页 |
| A. 作者在攻读学位期间以第一作者发表的相关论文目录： | 第107页 |
| B. 作者在攻读学位期间参加的相关科研项目： | 第107页 |