| 摘要 | 第1-5页 |
| ABSTRACT | 第5-11页 |
| 第1章 绪论 | 第11-18页 |
| ·核方法的产生背景 | 第11-12页 |
| ·核方法的研究现状 | 第12-14页 |
| ·核方法的应用领域 | 第14-16页 |
| ·本文工作概述 | 第16-18页 |
| ·论文的主要创新点 | 第16页 |
| ·论文的结构安排 | 第16-18页 |
| 第2章 核方法的理论基础 | 第18-40页 |
| ·核方法的基本原理 | 第18-19页 |
| ·常用的核方法及其分类 | 第19-20页 |
| ·统计学习理论：学习机泛化能力的估计 | 第20-23页 |
| ·经验风险最小化归纳原则 | 第21页 |
| ·VC维 | 第21-22页 |
| ·结构风险一期望风险的一个上界 | 第22页 |
| ·结构风险最小化原则 | 第22-23页 |
| ·支持向量机 | 第23-37页 |
| ·KKT条件 | 第24-26页 |
| ·线性支持向量机 | 第26-31页 |
| ·非线性支持向量机 | 第31-32页 |
| ·大规模训练集支持向量机算法的实现 | 第32-36页 |
| ·参数选择 | 第36-37页 |
| ·核函数 | 第37-39页 |
| ·核函数的概念与性质 | 第37-38页 |
| ·常用的几种核函数 | 第38-39页 |
| ·小结 | 第39-40页 |
| 第3章 支持向量机的样本约简与核聚类方法 | 第40-60页 |
| ·引言 | 第40页 |
| ·支持向量机样本约简的相关工作 | 第40-44页 |
| ·主动学习 | 第40-41页 |
| ·随机采样方法 | 第41页 |
| ·基于聚类的支持向量机 | 第41-42页 |
| ·SR-DSA：基于数据结构分析的样本约简 | 第42-44页 |
| ·KBK：核二分K-均值聚类 | 第44-49页 |
| ·k-均值聚类 | 第45页 |
| ·二分K-均值聚类 | 第45-46页 |
| ·核二分K-均值聚类 | 第46-49页 |
| ·KBK-SR：基于核二分K-均值聚类的支持向量机样本约简方法 | 第49-56页 |
| ·核下方马氏距离 | 第49-53页 |
| ·算法描述 | 第53-55页 |
| ·算法复杂性分析 | 第55-56页 |
| ·实验 | 第56-59页 |
| ·人工数据集上的实验 | 第56-58页 |
| ·基准数据集上的实验 | 第58-59页 |
| ·小结 | 第59-60页 |
| 第4章 可变光照条件下人脸图像识别的最优核学习 | 第60-84页 |
| ·引言 | 第60-61页 |
| ·光照问题和朗伯模型 | 第61-64页 |
| ·光照变化对人脸图像识别的影响 | 第61-62页 |
| ·朗伯光照模型 | 第62-64页 |
| ·ILLUM核：光照最优核 | 第64-71页 |
| ·朗伯模型下的相关记号 | 第65-66页 |
| ·图像相似度和身份相似度 | 第66-67页 |
| ·通过优化学习身份相似度矩阵 | 第67-69页 |
| ·核矩阵与插值核函数 | 第69-71页 |
| ·基于ILLUM核的LDA算法 | 第71-77页 |
| ·LDA的基本思想 | 第71-73页 |
| ·基I11UM核自KDDA算法 | 第73-77页 |
| ·实验 | 第77-83页 |
| ·人脸图像数据库 | 第77-78页 |
| ·提取鉴别特征的能力 | 第78-81页 |
| ·别效果 | 第81-83页 |
| ·小结 | 第83-84页 |
| 第5章 多重核线性判别分析及其权值优化75 | 第84-102页 |
| ·引言 | 第84-85页 |
| ·MKDA的多重核构造 | 第85-86页 |
| ·MKDA的权值优化 | 第86-92页 |
| ·记号和约定 | 第86-87页 |
| ·MKDA的对角化操作 | 第87-89页 |
| ·带约束优化问题及其求解 | 第89-91页 |
| ·权值优化算法 | 第91-92页 |
| ·实验及结果分析 | 第92-100页 |
| ·UCI数据集上的分类实验 | 第92-94页 |
| ·人脸图像识别的核选择实验 | 第94-100页 |
| ·小结 | 第100-102页 |
| 第6章 总结与展望 | 第102-104页 |
| ·本文工作的总结 | 第102-103页 |
| ·后续工作的展望 | 第103-104页 |
| 参考文献 | 第104-114页 |
| 攻读博士学位期间发表和已录用的论文 | 第114-115页 |
| 致谢 | 第115页 |