基于向量投影的支持向量机增量学习算法
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-15页 |
| ·选题背景与研究意义 | 第10-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·本文的组织结构 | 第13-15页 |
| 第2章 支持向量机 | 第15-35页 |
| ·机器学习理论 | 第15-20页 |
| ·学习问题的表述 | 第15-17页 |
| ·经验风险最小化 | 第17-18页 |
| ·机器学习的发展历史及现状 | 第18-20页 |
| ·统计学习理论 | 第20-23页 |
| ·学习一致性及VC维 | 第20-21页 |
| ·结构风险最小化 | 第21-23页 |
| ·支持向量机的标准算法 | 第23-28页 |
| ·线性可分情况 | 第23-25页 |
| ·线性不可分情况 | 第25-26页 |
| ·非线性情况 | 第26-28页 |
| ·支持向量机的改进算法 | 第28-34页 |
| ·C-SVM算法 | 第28-30页 |
| ·γ-SVM算法 | 第30-31页 |
| ·One-ClassSVM算法 | 第31-33页 |
| ·LS-SVM算法 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第3章 支持向量机增量学习算法 | 第35-45页 |
| ·支持向量机增量学习算法 | 第35-38页 |
| ·支持向量机增量学习算法的提出 | 第35-37页 |
| ·支持向量机增量学习算法的研究现状 | 第37-38页 |
| ·简单支持向量机增量学习算法 | 第38-39页 |
| ·改进的支持向量机增量学习算法 | 第39-44页 |
| ·KKT条件 | 第39-43页 |
| ·算法描述 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第4章 基于向量投影的支持向量机增量学习算法 | 第45-56页 |
| ·支持向量预选取 | 第45-47页 |
| ·基于向量投影的支持向量预选取 | 第47-53页 |
| ·线性可分情况下向量投影方法 | 第47-51页 |
| ·非线性可分情况下向量投影方法 | 第51-53页 |
| ·基于向量投影的支持向量机增量学习算法 | 第53-55页 |
| ·算法思想 | 第53-54页 |
| ·算法描述 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 第5章 实验结果及其分析 | 第56-63页 |
| ·实验设计 | 第56-57页 |
| ·实验数据 | 第56-57页 |
| ·实验环境 | 第57页 |
| ·实验结果与分析 | 第57-62页 |
| ·改进的SVM增量算法性能 | 第57-59页 |
| ·基于向量投影的SVM增量算法性能 | 第59-62页 |
| ·本章小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第69-70页 |
| 致谢 | 第70页 |
