基于支持向量数据描述的分类识别算法研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-11页 |
| 第1章 绪论 | 第11-16页 |
| ·研究背景及意义 | 第11-12页 |
| ·国内外研究现状 | 第12-15页 |
| ·支持向量机理论的拓展 | 第12-13页 |
| ·支持向量机训练算法的研究 | 第13-15页 |
| ·支持向量机应用研究 | 第15页 |
| ·本文主要内容 | 第15-16页 |
| 第2章 支持向量机概述 | 第16-31页 |
| ·统计学习理论 | 第16-19页 |
| ·问题的表示 | 第16-17页 |
| ·经验风险和结构风险最小化 | 第17页 |
| ·统计学习理论的核心内容 | 第17-19页 |
| ·线性支持向量机 | 第19-23页 |
| ·线性可分支持向量机 | 第19-22页 |
| ·线性不可分支持向量机 | 第22-23页 |
| ·非线性支持向量机 | 第23-24页 |
| ·SMO 算法 | 第24-28页 |
| ·LIBSVM 简介 | 第28-31页 |
| 第3章 支持向量数据描述的原理及求解 | 第31-42页 |
| ·MEB 和硬间隔SVDD | 第31-32页 |
| ·软间隔SVDD | 第32-34页 |
| ·SVDD 的SMO 方法 | 第34-37页 |
| ·硬间隔SVDD 的SMO 方法 | 第34-36页 |
| ·软间隔SVDD 的SMO 方法 | 第36-37页 |
| ·SVDD 的近似迭代方法 | 第37-39页 |
| ·硬间隔SVDD 的近似迭代方法 | 第38-39页 |
| ·软间隔SVDD 的近似迭代方法 | 第39页 |
| ·SVDD 求解方法比较 | 第39-42页 |
| 第4章 用SVDD 进行分类识别 | 第42-52页 |
| ·SVM 转化为硬间隔SVDD | 第42-46页 |
| ·核向量机 | 第42-45页 |
| ·核向量机收敛性分析 | 第45-46页 |
| ·SVM 转化为软间隔SVDD | 第46-48页 |
| ·软间隔SVDD 直接用于分类 | 第48-49页 |
| ·实验结果 | 第49-52页 |
| 第五章 高斯核参数对SVDD 的影响 | 第52-62页 |
| ·核方法及高斯核的性质 | 第52-55页 |
| ·高斯核对SVDD 性能的影响 | 第55-57页 |
| ·高斯核参数的优化 | 第57-62页 |
| 第6章 总结与展望 | 第62-64页 |
| ·总结 | 第62页 |
| ·展望 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 附录 | 第68页 |
