高维数据下支持向量机的应用研究
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第一章 绪论 | 第8-11页 |
| ·课题的背景及研究意义 | 第8页 |
| ·课题的研究现状 | 第8-10页 |
| ·课题的研究思路 | 第10页 |
| ·本文的主要内容及结构安排 | 第10页 |
| ·创新之处 | 第10-11页 |
| 第二章 流形学习理论 | 第11-20页 |
| ·流形及流行学习 | 第11页 |
| ·流形学习的主要算法 | 第11-17页 |
| ·等距映射法 | 第12-13页 |
| ·局部线性嵌入方法 | 第13-14页 |
| ·局部切空间排列算法 | 第14-16页 |
| ·拉普拉斯特征映射法 | 第16页 |
| ·Hessian 等距映射法 | 第16-17页 |
| ·流形学习算法的完善 | 第17-18页 |
| ·不同降维方法的仿真结果分析 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 第三章 自动模型选择参数的流形学习方法研究 | 第20-32页 |
| ·流形学习模型参数的选择问题 | 第20-22页 |
| ·预备知识 | 第22-23页 |
| ·一种新型自动模型参数选择的流形学习方法 | 第23-25页 |
| ·k 均值聚类算法 | 第25-27页 |
| ·数值实验 | 第27-31页 |
| ·本章小结 | 第31-32页 |
| 第四章 支持向量机理论 | 第32-47页 |
| ·一般学习问题的表示 | 第32-33页 |
| ·统计学习理论 | 第33-35页 |
| ·VC 维 | 第33-34页 |
| ·推广性的界 | 第34页 |
| ·结构风险最小化 | 第34-35页 |
| ·支持向量机理论 | 第35-44页 |
| ·支持向量机的研究背景 | 第35-36页 |
| ·支持向量分类（SVC）算法 | 第36-41页 |
| ·支持向量机的核函数 | 第41-43页 |
| ·支持向量机回归（SVR）算法 | 第43-44页 |
| ·支持向量机（SVM）的算法 | 第44-46页 |
| ·选块算法（chunking） | 第44-45页 |
| ·分解算法（decomposing） | 第45页 |
| ·序列最小最优化(SMO)算法 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第五章 实例仿真分析 | 第47-51页 |
| ·实验平台 | 第47页 |
| ·数据处理及参数选择 | 第47-48页 |
| ·数据预处理 | 第47-48页 |
| ·参数选择 | 第48页 |
| ·结肠癌数据实验结果分析 | 第48-49页 |
| ·人脸数据实验结果分析 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-52页 |
| 参考文献 | 第52-54页 |
| 致谢 | 第54-55页 |
| 附录 | 第55-56页 |
| 个人简历 | 第56页 |
| 在校期间发表的学术论文及研究成果 | 第56页 |
