| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 目录 | 第9-12页 |
| 图索引 | 第12-13页 |
| 表索引 | 第13-14页 |
| 1. 绪论 | 第14-23页 |
| 1.1 机器学习技术简介 | 第14页 |
| 1.2 机器学习的发展历程 | 第14-15页 |
| 1.3 支持向量机 | 第15页 |
| 1.4 基于SVM的在线学习的应用领域 | 第15-17页 |
| 1.4.1 文本分类 | 第15-16页 |
| 1.4.2 图像识别 | 第16-17页 |
| 1.4.3 空中手写识别 | 第17页 |
| 1.5 基于SVM的在线学习的研究现状 | 第17-21页 |
| 1.5.1 国内外研究现状 | 第17-18页 |
| 1.5.2 各部分研究现状 | 第18-21页 |
| 1.6 本文创新点 | 第21页 |
| 1.7 本文内容安排 | 第21-23页 |
| 2 支持向量机理论 | 第23-41页 |
| 2.1 统计学习理论简介 | 第23-27页 |
| 2.1.1 学习问题的模型 | 第23-24页 |
| 2.1.2 最小化风险的数学模型 | 第24-25页 |
| 2.1.3 经验风险最小化原则 | 第25页 |
| 2.1.4 VC维 | 第25-26页 |
| 2.1.5 推广性的界 | 第26页 |
| 2.1.6 结构风险最小化原则 | 第26-27页 |
| 2.2 最优化理论 | 第27-34页 |
| 2.2.1 最优化问题的定义 | 第28-30页 |
| 2.2.2 Lagrange理论 | 第30-34页 |
| 2.3 支持向量机 | 第34-40页 |
| 2.3.1 最大间隔支持向量机模型 | 第34-40页 |
| 2.4 本章小结 | 第40-41页 |
| 3 基于壳向量和中心密度的支持向量机的增量学习算法 | 第41-55页 |
| 3.1 支持向量机的在线学习 | 第41-42页 |
| 3.1.1 支持向量机的在线学习描述 | 第41-42页 |
| 3.1.2 支持向量机的在线学习策略分类 | 第42页 |
| 3.2 常用的具有代表性的SVM在线学习策略 | 第42-45页 |
| 3.2.1 基于KKT条件的在线学习策略 | 第42-45页 |
| 3.2.2 基于时间窗口的在线学习策略 | 第45页 |
| 3.3 壳向量算法 | 第45-49页 |
| 3.3.1 支持向量与壳向量 | 第47-48页 |
| 3.3.2 壳向量的求解算法 | 第48-49页 |
| 3.4 选取非支持向量的中心密度算法 | 第49-50页 |
| 3.5 基于壳向量和中心密度的增量学习算法 | 第50-51页 |
| 3.6 实验结果及分析 | 第51-53页 |
| 3.7 本章小结 | 第53-55页 |
| 4 基于样本选择窗口的支持向量机的等量学习算法 | 第55-65页 |
| 4.1 等量学习的支持向量机模型 | 第55-59页 |
| 4.1.1 带松弛变量的支持向量机模型 | 第55-57页 |
| 4.1.2 核函数与高维空间支持向量机模型 | 第57-59页 |
| 4.2 样本选择窗口算法 | 第59-62页 |
| 4.3 基于样本选择窗口的支持向量机的等量学习算法 | 第62-63页 |
| 4.4 实验结果及分析 | 第63-64页 |
| 4.5 本章小结 | 第64-65页 |
| 5 总结和展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 作者简介 | 第71-72页 |
| 作者攻读硕学位期间发表的论文 | 第72页 |