| 摘要 | 第1-3页 |
| ABSTRACT | 第3-7页 |
| 1 绪论 | 第7-10页 |
| ·研究背景 | 第7页 |
| ·研究现状 | 第7页 |
| ·研究意义 | 第7-8页 |
| ·主要研究内容与论文结构安排 | 第8-10页 |
| ·主要研究内容 | 第8页 |
| ·论文结构安排 | 第8-10页 |
| 2 支持向量机 | 第10-23页 |
| ·统计学习理论 | 第10-14页 |
| ·机器学习的基本模型 | 第10-11页 |
| ·经验风险最小化 | 第11-12页 |
| ·函数集的VC 维 | 第12页 |
| ·推广性的界 | 第12-13页 |
| ·结构风险最小化准则 | 第13-14页 |
| ·支持向量机理论 | 第14-23页 |
| ·线性支持向量机 | 第15-17页 |
| ·非线性支持向量机 | 第17-19页 |
| ·多分类支持向量机 | 第19-23页 |
| 3 支持向量机核函数及其参数 | 第23-31页 |
| ·支持向量机中的核函数 | 第23-24页 |
| ·核函数的特点及作用 | 第24-25页 |
| ·局部核函数和全局核函数 | 第25-27页 |
| ·局部核函数 | 第26页 |
| ·全局核函数 | 第26-27页 |
| ·核函数参数对SVM 推广能力的影响 | 第27-28页 |
| ·核函数参数对SVM 分类性能的影响 | 第28-31页 |
| ·高斯核参数分析 | 第29-30页 |
| ·误差惩罚参数C | 第30-31页 |
| 4 核函数参数选择方法的改进—双线性模式搜索法 | 第31-39页 |
| ·关于核参数C 和γ选择调整的讨论 | 第31页 |
| ·核函数参数的意义 | 第31-32页 |
| ·核函数参数选择方法 | 第32-37页 |
| ·双线性搜索法及其特点分析 | 第33-34页 |
| ·模式搜索算法及其特点分析 | 第34-35页 |
| ·网格搜索法及其特点分析 | 第35-37页 |
| ·一种改进的核函数参数快速选择方法研究--双线性模式搜索法 | 第37-39页 |
| 5 仿真实验结果与分析 | 第39-49页 |
| ·随机选择的参数的实验 | 第39页 |
| ·选择惩罚参数的C 的实验 | 第39-41页 |
| ·选择核参数γ的实验 | 第41-43页 |
| ·双线性模式快速选择参数的实验和结果分析 | 第43-44页 |
| ·本文算法步骤 | 第44-45页 |
| ·实验数据预处理 | 第45页 |
| ·实验结果及分析 | 第45-47页 |
| ·本章小结 | 第47-49页 |
| 6 结论 | 第49-50页 |
| ·总结 | 第49页 |
| ·展望 | 第49-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 附录 | 第54页 |