基于新隶属函数的模糊支持向量机研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-10页 |
| 第1章 绪论 | 第10-13页 |
| 1.1 发展历史 | 第10-11页 |
| 1.2 研究现状 | 第11页 |
| 1.3 研究背景 | 第11-12页 |
| 1.4 本文的结构 | 第12-13页 |
| 第2章 预备知识 | 第13-24页 |
| 2.1 小样本学习理论 | 第13-18页 |
| 2.1.1 一致性条件 | 第13-14页 |
| 2.1.2 VC维 | 第14-15页 |
| 2.1.3 推广性的界 | 第15-16页 |
| 2.1.4 结构风险最小化 | 第16-18页 |
| 2.2 关于模糊数学 | 第18-23页 |
| 2.2.1 模糊数学的基本概念 | 第18-19页 |
| 2.2.2 隶属度函数及其确定方法 | 第19-21页 |
| 2.2.3 模糊聚类分析 | 第21-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第3章 SVM | 第24-33页 |
| 3.1 最优超平面 | 第24-26页 |
| 3.2 核函数 | 第26-27页 |
| 3.3 支持向量分类机 | 第27-30页 |
| 3.4 模糊支持向量机 | 第30-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第4章 一种新的模糊隶属函数确定方法 | 第33-48页 |
| 4.1 一种新的基于类中心的隶属函数 | 第33-38页 |
| 4.1.1 新隶属函数的确定方法 | 第33-36页 |
| 4.1.2 新隶属函数的进一步讨论 | 第36-38页 |
| 4.2 样本数据的预处理 | 第38-40页 |
| 4.3 数据不平衡条件下的处理方法 | 第40-42页 |
| 4.4 数值实验 | 第42-46页 |
| 4.5 本章小结 | 第46-48页 |
| 第5章 不确定问题下的SVM | 第48-54页 |
| 5.1 双向加权法 | 第48-50页 |
| 5.2 后验概率法 | 第50-53页 |
| 5.2.1 贝叶斯决策理论 | 第50页 |
| 5.2.2 后验概率支持向量机求解 | 第50-52页 |
| 5.2.3 确定后验概率的方法 | 第52-53页 |
| 5.3 本章小结 | 第53-54页 |
| 第6章 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54页 |
| 6.2 展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-62页 |
| 攻读学位期间发表的论文 | 第62页 |
