支持向量机的若干问题的研究
| 摘要 | 第1-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第6-14页 |
| ·选题的研究背景和意义 | 第6-7页 |
| ·支持向量机算法目前的研究现状 | 第7-12页 |
| ·提高支持向量机训练速度的研究 | 第8-9页 |
| ·支持向量机多类分类方法的研究 | 第9-10页 |
| ·支持向量机回归的研究 | 第10页 |
| ·支持向量机的应用研究 | 第10-12页 |
| ·本文的主要内容及创新点 | 第12-14页 |
| 第二章 统计学习理论以及支持向量机理论 | 第14-27页 |
| ·引言 | 第14-15页 |
| ·机器学习的基本方法 | 第15-16页 |
| ·学习问题的一般表示 | 第15页 |
| ·经验风险最小化原则 | 第15-16页 |
| ·模型复杂度与推广能力 | 第16页 |
| ·统计学习理论的基本思想 | 第16-21页 |
| ·VC维 | 第17-18页 |
| ·泛化误差的边界 | 第18-19页 |
| ·结构风险最小化原理 | 第19-21页 |
| ·支持向量机 | 第21-25页 |
| ·线性支持向量机 | 第21-24页 |
| ·非线性支持向量机 | 第24-25页 |
| ·支持向量机与多层前向神经网络的比较 | 第25-27页 |
| 第三章 一种提高SVM分类速度的方法 | 第27-31页 |
| ·类质心和类半径的定义 | 第27页 |
| ·提高支持向量机分类速度的算法 | 第27-31页 |
| ·算法描述 | 第27-28页 |
| ·算法复杂度分析 | 第28页 |
| ·算法实验以及讨论 | 第28-31页 |
| 第四章 一种提高SVM分类精度的方法 | 第31-35页 |
| ·类向心度的定义 | 第31-32页 |
| ·基于类向心度的分类算法 | 第32-35页 |
| ·算法描述 | 第32页 |
| ·算法复杂度分析 | 第32页 |
| ·算法实验以及讨论 | 第32-35页 |
| 第五章 SVM的增量学习算法的研究 | 第35-42页 |
| ·支持向量的分布 | 第35-37页 |
| ·一种新的支持向量机增量学习算法 | 第37-40页 |
| ·增量学习中新增样本集合的选择 | 第37-38页 |
| ·一种新的支持向量机增量学习算法 | 第38-40页 |
| ·增量支持向量机的计算复杂度分析 | 第40-41页 |
| ·仿真实验及分析 | 第41-42页 |
| 第六章 总结与展望 | 第42-45页 |
| ·全文总结 | 第42-43页 |
| ·存在的问题和研究前景展望 | 第43-45页 |
| 致谢 | 第45-46页 |
| 参考文献 | 第46-50页 |
| 附录 | 第50-51页 |
