一种快速的支持向量机算法研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 1 绪论 | 第7-14页 |
| ·研究背景和选题意义 | 第7-8页 |
| ·研究现状 | 第8-12页 |
| ·支持向量机研究现状 | 第8-11页 |
| ·支持向量机的其他研究方向 | 第11-12页 |
| ·支持向量机的应用研究 | 第12页 |
| ·研究目的和内容 | 第12-13页 |
| ·论文的组织架构 | 第13-14页 |
| 2 SVM 理论基础 | 第14-21页 |
| ·统计学习理论的产生 | 第14页 |
| ·机器学习的基本问题 | 第14-16页 |
| ·机器学习发展进程 | 第14-15页 |
| ·学习问题的表述 | 第15-16页 |
| ·统计学习理论 | 第16-20页 |
| ·学习过程的一致性及关键定理 | 第17-18页 |
| ·VC 维与推广性的界 | 第18-19页 |
| ·结构风险最小化 | 第19-20页 |
| ·本章小结 | 第20-21页 |
| 3 支持向量机 | 第21-31页 |
| ·线性分类支持向量机 | 第21-23页 |
| ·线性可分 SVM | 第21-22页 |
| ·线性不可分 SVM | 第22-23页 |
| ·非线性 SVM——核函数 | 第23-25页 |
| ·KKT 条件 | 第25页 |
| ·SVM 经典算法的具体实现 | 第25-28页 |
| ·块算法（Chunking） | 第26页 |
| ·分解算法（Decomposing） | 第26-27页 |
| ·序列最小最优化算法（SMO） | 第27-28页 |
| ·扩展的支持向量机算法举例 | 第28-30页 |
| ·v-SVM 算法 | 第28页 |
| ·BSVM 算法 | 第28-29页 |
| ·LS-SVM 算法 | 第29页 |
| ·F-SVM 算法 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 4 基于几何特征的支持向量机算法分析 | 第31-38页 |
| ·样本的几何特征 | 第31-33页 |
| ·基于样本点间距离的分析 | 第31-32页 |
| ·基于相似性的分析 | 第32-33页 |
| ·基于距离和相似性的算法分析 | 第33-34页 |
| ·BD-SVM 算法步骤 | 第33-34页 |
| ·BS-SVM 算法步骤 | 第34页 |
| ·仿真实验及结果分析 | 第34-37页 |
| ·人工数据实验结果 | 第35-36页 |
| ·真实数据实验结果 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 5 结论与展望 | 第38-39页 |
| 致谢 | 第39-40页 |
| 参考文献 | 第40-44页 |
| 附录 | 第44页 |
| A. 作者在攻读硕士学位期间发表的论文目录 | 第44页 |
