基于支持向量机的概率密度估计及其在分布估计算法中的应用
| 中文摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-13页 |
| ·统计学习论与支持向量机发展 | 第8-9页 |
| ·分布估计算法发展简史 | 第9-11页 |
| ·支持向量机及分布估计算法的应用前景 | 第11-12页 |
| ·本文主要的工作及安排 | 第12-13页 |
| 第二章 统计学习的基本理论 | 第13-23页 |
| ·学习问题和学习方法 | 第13-19页 |
| ·学习问题的基本定义和学习问题的表示 | 第13-14页 |
| ·学习方法 | 第14-16页 |
| ·VC 理论 | 第16页 |
| ·经验风险最小化和结构风险最小化 | 第16-18页 |
| ·学习过程的一致性 | 第18-19页 |
| ·核函数特征空间 | 第19-23页 |
| ·特征空间中的学习 | 第20-21页 |
| ·核函数的构造 | 第21页 |
| ·核函数的性质 | 第21-23页 |
| 第三章 支持向量机的基本理论 | 第23-28页 |
| ·支持向量机的定义 | 第23-25页 |
| ·支持向量机分类问题 | 第25-26页 |
| ·线性可分问题和线性不可分问题 | 第25页 |
| ·近似线性可分问题 | 第25-26页 |
| ·支持向量机回归估计问题 | 第26-28页 |
| 第四章 基于支持向量机的的密度估计方法 | 第28-43页 |
| ·密度估计问题的表示 | 第28-29页 |
| ·不适定问题 | 第29-33页 |
| ·不适定问题的定义 | 第29-30页 |
| ·解决不是定问题的方法 | 第30-31页 |
| ·确定性不适定问题 | 第31-32页 |
| ·随机不适定问题 | 第32-33页 |
| ·基于支持向量机的概率密度求解 | 第33-43页 |
| ·基于支持向量机的概率密度估计的模型描述 | 第33-36页 |
| ·基于支持向量机的概率密度估计的求解算法 | 第36-38页 |
| ·一维和二维密度仿真测试 | 第38-42页 |
| ·高维模型描述 | 第42页 |
| ·本章小结 | 第42-43页 |
| 第五章 基于支持向量机概率密度估计的分布估计算法 | 第43-48页 |
| ·分布估计算法模型 | 第43页 |
| ·数学采样方法 | 第43-47页 |
| ·舍选法采样的基本原理 | 第43-44页 |
| ·针对存在局部最优值的变形舍选法 | 第44-45页 |
| ·针对本文概率密度估计的分布估计算法的方针测试 | 第45-47页 |
| ·本章小结 | 第47-48页 |
| 第六章 总结与展望 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 致谢 | 第52-53页 |
| 攻读硕士学位期间发表的论文 | 第53-54页 |
