| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-10页 |
| 第一章 绪论 | 第10-18页 |
| ·基于支持向量机分类算法的研究 | 第10-11页 |
| ·模式分析的核方法 | 第11-13页 |
| ·关于多类分类算法的研究 | 第13-15页 |
| ·脱机手写体数字及汉字的识别研究 | 第15-16页 |
| ·本文的具体内容及结构 | 第16-18页 |
| 第二章 统计学习理论与支持向量机 | 第18-30页 |
| ·统计学习理论 | 第18-23页 |
| ·学习过程的一致性条件 | 第18-20页 |
| ·VC维 | 第20-21页 |
| ·推广性的界 | 第21-22页 |
| ·结构风险最小化 | 第22-23页 |
| ·支持向量机 | 第23-26页 |
| ·最优分类超平面 | 第23-24页 |
| ·线性可分情况下的支持向量机 | 第24-25页 |
| ·线性不可分情况下的支持向量机 | 第25页 |
| ·非线性情况下的支持向量机 | 第25-26页 |
| ·支持向量多类分类机 | 第26-30页 |
| ·One-Against-One(OAO) | 第27页 |
| ·One-Against-All(OAA) | 第27-28页 |
| ·DAG SVM | 第28-29页 |
| ·决策树多类分类机(DTB-SVM) | 第29-30页 |
| ·本章小结 | 第30页 |
| 第三章 模式分析的核方法 | 第30-41页 |
| ·核思想概述 | 第30-32页 |
| ·Mercer定理及Mercer核 | 第32-33页 |
| ·核函数构造 | 第33-34页 |
| ·经典线性算法的核形式 | 第34-39页 |
| ·均值及相似度量的核形式 | 第34-36页 |
| ·核主成份分析法(KPCA) | 第36-37页 |
| ·核Fisher判别分析(KFDA) | 第37-39页 |
| ·核聚类分析 | 第39页 |
| ·本章小结 | 第39-41页 |
| 第四章 平分最近点法与闭凸包收缩原理 | 第41-50页 |
| ·线性分类问题 | 第41-44页 |
| ·线性可分分类机—平分最近点法 | 第41-43页 |
| ·线性不可分分类机—闭凸包收缩原理 | 第43-44页 |
| ·非线性分类问题 | 第44-47页 |
| ·特征空间中的线性可分问题—平分最近点法的推广 | 第44-46页 |
| ·特征空间中的线性不可分问题—闭凸包收缩原理的推广 | 第46-47页 |
| ·仿真实验 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 第五章 一种改进的决策树多类分类方法 | 第50-57页 |
| ·特征空间数据分离度量方法 | 第50-53页 |
| ·输入空间的分离度量 | 第50-51页 |
| ·特征空间中的分离度量方法 | 第51-53页 |
| ·改进的决策树多类分类算法 | 第53页 |
| ·实验结果及分析 | 第53-56页 |
| ·本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 在校期间发表的论文、科研成果等 | 第61-62页 |
| 致谢 | 第62页 |