| 第一章 引言 | 第1-14页 |
| ·研究背景 | 第6-7页 |
| ·SVMs的理论基础 | 第7-10页 |
| ·统计学习理论 | 第7-10页 |
| ·指示函数集的VC维 | 第8页 |
| ·结构风险最小化原则 | 第8-10页 |
| ·SVMs的基本原理 | 第10-12页 |
| ·现阶段SVMs的主要研究方向 | 第12页 |
| ·本文的研究内容 | 第12-14页 |
| 第二章 SVMS实现算法研究 | 第14-22页 |
| ·SVMs实现算法的研究现状 | 第14-19页 |
| ·L1-SVM QP问题的解法 | 第14-19页 |
| ·L1-SVM QP问题数学特性分析 | 第14-15页 |
| ·分解算法的基本思想 | 第15页 |
| ·CHUNKING | 第15页 |
| ·子问题规模固定的分解算法 | 第15-17页 |
| ·SMO | 第17-18页 |
| ·改进的SMO | 第18页 |
| ·解L1-SVM QP问题实现SVMs的不足 | 第18-19页 |
| ·L2-SoftMargin SVMs | 第19页 |
| ·实验与讨论 | 第19-21页 |
| ·本章小结 | 第21-22页 |
| 第三章 SVMS推广性能研究 | 第22-37页 |
| ·SVMs推广性能的研究背景 | 第22-23页 |
| ·SVMs的几何解释 | 第23-24页 |
| ·模型空间(Version Space) | 第23页 |
| ·SVMs的几何解释 | 第23-24页 |
| ·几个衡量分类器推广性能的界 | 第24-27页 |
| ·PAC分析 | 第24-25页 |
| ·PAC-Bayesian分析 | 第25页 |
| ·PAC-Bayesian间隔界 | 第25-27页 |
| ·改进的PAC-BAYESIAN间隔界 | 第27-30页 |
| ·改进的PAC-Bayesian间隔界 | 第27-30页 |
| ·改进的PAC-BAYESIAN间隔界研究 | 第30-31页 |
| ·实验研究与分析 | 第31-36页 |
| ·本章小结 | 第36-37页 |
| 第四章 SVMS与UCOA相结合的多类分类器 | 第37-46页 |
| ·基于SVMs的多类分类器的研究背景 | 第37页 |
| ·基于SVMs与UCOA相结合的多类分类器 | 第37-41页 |
| ·基于SVMs的多类分类器的构造方法 | 第37-38页 |
| ·极端保守在线算法(UCOA) | 第38-39页 |
| ·ISUOA(Integrate SVMs with UCOA) | 第39-41页 |
| ·算法分析 | 第41-42页 |
| ·算法时间复杂度分析 | 第41页 |
| ·算法空间复杂度分析 | 第41页 |
| ·分类器推广能力分析 | 第41-42页 |
| ·实验结果及分析 | 第42-45页 |
| ·本章小结 | 第45-46页 |
| 总结与展望 | 第46-48页 |
| 参考文献 | 第48-51页 |
| 发表论文及研究成果 | 第51-52页 |
| 致谢 | 第52页 |