支持向量机与神经网络的融合优化及其在数据挖掘中的应用
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-13页 |
| 1.1 研究背景与选题意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 研究思路与章节安排 | 第12-13页 |
| 第2章 RBF神经网络 | 第13-21页 |
| 2.1 人工神经网络的起源及发展历史概述 | 第13-14页 |
| 2.1.1 生物神经元与人脑的分布特性 | 第13页 |
| 2.1.2 人工神经网络发展历史 | 第13-14页 |
| 2.2 RBF神经网络 | 第14-17页 |
| 2.2.1 RBF的定义与应用 | 第15页 |
| 2.2.2 RBF网络的构建思想 | 第15页 |
| 2.2.3 RBF的网络特性 | 第15-17页 |
| 2.3 核心参数的确定 | 第17-20页 |
| 2.3.1 RBF网络中心点的选择 | 第17-18页 |
| 2.3.2 RBF网络扩展常数σ的选择 | 第18-19页 |
| 2.3.3 RBF网络权值ω的计算 | 第19-20页 |
| 2.3.4 RBF网络参数的整体调整法 | 第20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 支持向量机 | 第21-36页 |
| 3.1 SVM理论 | 第21-25页 |
| 3.1.1 SVM理论根源 | 第21页 |
| 3.1.2 学习问题的表示 | 第21页 |
| 3.1.3 经验风险最小化原则 | 第21-22页 |
| 3.1.4 VC维 | 第22-24页 |
| 3.1.5 结构风险最小化原则 | 第24-25页 |
| 3.2 SVM | 第25-31页 |
| 3.2.1 SVM思路的形成 | 第25-28页 |
| 3.2.2 核函数 | 第28-31页 |
| 3.3 SVM核心参数的选择与优化 | 第31-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 SVM与ANN之间的等价联系与融合 | 第36-45页 |
| 4.1 正则化理论 | 第36-37页 |
| 4.2 SVM与RBF网络之间的等价联系 | 第37-41页 |
| 4.2.1 两种网络构建思想的等价联系 | 第37页 |
| 4.2.2 添加某种约束条件来说明两者的等价关系 | 第37-39页 |
| 4.2.3 公式化推导两者的等价关系 | 第39-41页 |
| 4.3 SRmix模型 | 第41-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第5章 关于SRmix模型的性能仿真实验 | 第45-60页 |
| 5.1 数据预处理 | 第45-47页 |
| 5.1.1 处理缺省值及异常点 | 第45页 |
| 5.1.2 数据标准化 | 第45-46页 |
| 5.1.3 PCA降维 | 第46-47页 |
| 5.2 交叉验证 | 第47页 |
| 5.3 数据来源与实验工具 | 第47页 |
| 5.4 测试结果及分析 | 第47-59页 |
| 5.4.1 二维数据对比实验 | 第48-49页 |
| 5.4.2 九维数据对比实验 | 第49-53页 |
| 5.4.3 十三维数据对比实验 | 第53-55页 |
| 5.4.4 多种维度数据的对比实验 | 第55-56页 |
| 5.4.5 运动识别实验 | 第56-58页 |
| 5.4.6 SRmix改进方向与意义 | 第58-59页 |
| 5.5 本章小结 | 第59-60页 |
| 第6章 论文总结与展望 | 第60-62页 |
| 6.1 论文总结 | 第60页 |
| 6.2 研究展望 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 致谢 | 第65-66页 |
| 攻读硕士学位期间的研究成果 | 第66页 |
