基于支撑向量机的手写英文字符识别

第一章 绪论	第1-13页
·研究背景	第9-11页
·本文的主要工作	第11-13页
第二章 统计学习理论	第13-25页
·学习的表示	第13-22页
·经验风险最小化学习原则	第14-15页
·用于密度估计的一致性收敛	第15-17页
·有监督学习的一致性收敛	第17-22页
·结构风险最小化学习原则	第22-25页
·使用V_r维的结构风险最小化	第23-25页
第三章 引入后验概率的修正SVM	第25-40页
·机器学习的基本问题	第26-28页
·问题的表示	第26-27页
·经验风险最小化	第27-28页
·复杂性与推广能力	第28页
·统计学习理论的核心内容	第28-31页
·VC维	第29页
·推广性的界	第29-30页
·结构风险最小化	第30-31页
·用于分类的支持向量机	第31-36页
·C-SVM	第31-33页
·v-SVM	第33-34页
·分解算法	第34-36页
·用于回归分析的支持向量机	第36-38页
·多类问题	第38页
·引入后验概率的SVM	第38-40页
第四章 独立分量分析	第40-50页
·ICA理论分析	第41-43页
·FASTICA算法	第43-46页
·ICA与PCA的比较	第46-48页
·ICA的典型应用	第48-50页
第五章 结合ICA的SVM应用于字符识别	第50-60页
·ICA应用于图像特征提取	第50-52页
·后验概率修正SVM	第52-54页
·SVM优化目标函数的选择	第52-53页
·校正最优分离超平面的合理性	第53-54页
·实验模型及结果分析	第54-60页
结束语	第60-61页
致谢	第61-62页
参考文献	第62-65页
硕士期间撰写的论文	第65-66页