支持向量机的经典算法与分类研究
| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第7-10页 |
| ·课题背景及意义 | 第7-8页 |
| ·SVM的研究现状 | 第8-9页 |
| ·支持向量机的理论研究现状 | 第8页 |
| ·支持向量机的应用研究现状 | 第8-9页 |
| ·本文的研究内容 | 第9-10页 |
| 第2章 支持向量机基础 | 第10-18页 |
| ·统计学习理论基础 | 第10-13页 |
| ·统计学习理论 | 第10-11页 |
| ·VC维理论 | 第11-12页 |
| ·推广性的界 | 第12-13页 |
| ·结构风险最小化 | 第13页 |
| ·SVM的基本思想 | 第13-16页 |
| ·最优分类面 | 第14-16页 |
| ·KKT条件与核函数 | 第16-18页 |
| 第3章 支持向量机的经典算法 | 第18-29页 |
| ·停机准则 | 第18-20页 |
| ·选块算法 | 第20-21页 |
| ·分解算法 | 第21-25页 |
| ·序列最小最优化算法 | 第25-29页 |
| ·算法的主要步骤 | 第25-26页 |
| ·工作集的选取 | 第26页 |
| ·两个变量的最优化问题的解析解 | 第26-29页 |
| 第4章 使用序列最小优化算法训练和分析支持向量机 | 第29-34页 |
| ·简介 | 第29页 |
| ·以往的SVM训练方法 | 第29-30页 |
| ·实验结果 | 第30-33页 |
| ·结论 | 第33-34页 |
| 第5章 支持向量分类 | 第34-45页 |
| ·最佳分离超平面 | 第34-38页 |
| ·线性可分范例 | 第38页 |
| ·广义最优分类超平面 | 第38-42页 |
| ·线性不可分离的例子 | 第41-42页 |
| ·高维特征空间的推广 | 第42-44页 |
| ·多项式映射实例 | 第44页 |
| ·讨论 | 第44-45页 |
| 第6章 分类例：IRIS数据 | 第45-49页 |
| ·IRIS数据集 | 第45-48页 |
| ·应用 | 第48-49页 |
| 第7章 总结与展望 | 第49-50页 |
| 参考文献 | 第50-52页 |
| 致谢 | 第52页 |
