基于支持向量机的多分类方法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-15页 |
| ·支持向量机的发展历史与研究现状 | 第11-14页 |
| ·支持向量机的发展历史 | 第11页 |
| ·支持向量机的研究现状 | 第11-14页 |
| ·本文的主要工作与全文结构 | 第14-15页 |
| 第2章 机器学习与统计学习理论概述 | 第15-21页 |
| ·机器学习 | 第15-17页 |
| ·机器学习问题的一般表示 | 第15-16页 |
| ·经验风险最小化 | 第16-17页 |
| ·复杂性与推广能力 | 第17页 |
| ·统计学习理论的基本内容 | 第17-21页 |
| ·VC维 | 第18-19页 |
| ·推广误差的界 | 第19页 |
| ·结构风险最小化原理 | 第19-21页 |
| 第3章 支持向量机 | 第21-38页 |
| ·支持向量机基本方法 | 第21-28页 |
| ·最优分类超平面 | 第21-22页 |
| ·线性支持向量机 | 第22-25页 |
| ·非线性支持向量机 | 第25-27页 |
| ·支持向量机 | 第27-28页 |
| ·核函数 | 第28-30页 |
| ·参数选择 | 第30-31页 |
| ·参数选择的意义 | 第30页 |
| ·参数的作用与影响 | 第30-31页 |
| ·基于网格搜索的参数选择方法 | 第31页 |
| ·特征选择 | 第31-33页 |
| ·特征选择的意义 | 第31-32页 |
| ·特征选择方法 | 第32-33页 |
| ·提高支持向量机性能的特征选择 | 第33-37页 |
| ·提高支持向量机性能的特征选择方法 | 第33-34页 |
| ·仿真实验 | 第34-37页 |
| ·小结 | 第37-38页 |
| 第4章 基于支持向量机的多分类方法 | 第38-51页 |
| ·几种常用的支持向量机多分类方法 | 第38-43页 |
| ·一类对余类方法 | 第38-39页 |
| ·一类对一类方法 | 第39-41页 |
| ·决策二叉树方法 | 第41-42页 |
| ·决策导向无环图方法 | 第42页 |
| ·纠错输出编码方法 | 第42-43页 |
| ·改进的决策二叉树多分类方法 | 第43-50页 |
| ·类间可分离性度量 | 第43-45页 |
| ·层次聚类法 | 第45页 |
| ·改进的二叉树支持向量机 | 第45-46页 |
| ·仿真实验 | 第46-50页 |
| ·小结 | 第50-51页 |
| 第5章 结论与展望 | 第51-53页 |
| ·结论 | 第51页 |
| ·进一步工作展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 攻读学位期间公开发表论文 | 第57-58页 |
| 致谢 | 第58-59页 |
| 研究生履历 | 第59页 |
