| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-10页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景 | 第10-11页 |
| 1.1.1 机器学习问题的表示 | 第10-11页 |
| 1.1.2 机器学习的回归问题 | 第11页 |
| 1.2 核方法 | 第11-16页 |
| 1.2.1 特征空间中的线性回归 | 第12-14页 |
| 1.2.2 原始岭回归和对偶岭回归 | 第14-15页 |
| 1.2.3 由核定义的非线性特征映射 | 第15-16页 |
| 1.3 核函数 | 第16-19页 |
| 1.3.1 核函数描述 | 第16-18页 |
| 1.3.2 核函数的基本性质 | 第18-19页 |
| 1.3.3 常用的核函数 | 第19页 |
| 1.4 论文组织与结构 | 第19-20页 |
| 第二章 核模型研究 | 第20-32页 |
| 2.1 凸优化法 | 第20-24页 |
| 2.1.1 最小超球体 | 第20-21页 |
| 2.1.2 支持向量机 | 第21-24页 |
| 2.2 贪婪法 | 第24-31页 |
| 2.2.1 贪婪法的思想 | 第24-25页 |
| 2.2.2 核匹配追踪 | 第25-27页 |
| 2.2.3 投影追踪 | 第27-28页 |
| 2.2.4 正交最小二乘法 | 第28-31页 |
| 2.3 本章小结 | 第31-32页 |
| 第三章 正交最小二乘可调混合核函数模型 | 第32-45页 |
| 3.1 混合核 | 第32-33页 |
| 3.2 基于混合核的正交最小二乘法 | 第33-34页 |
| 3.3 重复加权推进搜索 | 第34-36页 |
| 3.3.1 参数说明 | 第34页 |
| 3.3.2 算法描述 | 第34-36页 |
| 3.4 实验 | 第36-44页 |
| 3.4.1 一维数据 | 第36-40页 |
| 3.4.2 二维数据 | 第40-44页 |
| 3.4.3 实验结果分析 | 第44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 基于树型结构的正交最小二乘可调混合核函数模型 | 第45-58页 |
| 4.1 基于树结构的正交最小二乘可调混合核函数模型思想 | 第45页 |
| 4.2 决策树 | 第45-51页 |
| 4.2.1 树结构 | 第45-46页 |
| 4.2.2 决策树 | 第46-51页 |
| 4.3 算法描述 | 第51-54页 |
| 4.4 实验 | 第54-57页 |
| 4.4.1 一维数据 | 第54-55页 |
| 4.4.2 二维数据 | 第55-57页 |
| 4.4.3 实验结果分析 | 第57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 总结 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63页 |