改进网格搜索的支持向量机参数优化研究及应用
| 摘要 | 第1-8页 |
| Abstract | 第8-11页 |
| 第1章 绪论 | 第11-17页 |
| ·研究背景与意义 | 第11-12页 |
| ·支持向量机国内外研究现状 | 第12-15页 |
| ·支持向量机变形算法研究 | 第12页 |
| ·支持向量机训练算法研究 | 第12-13页 |
| ·支持向量机模型选择研究 | 第13-14页 |
| ·支持向量机应用研究 | 第14-15页 |
| ·本文主要工作和章节安排 | 第15-17页 |
| 第2章 统计学习理论与支持向量机 | 第17-26页 |
| ·统计学习理论 | 第17-20页 |
| ·经验风险最小化原则 | 第17-18页 |
| ·VC维理论 | 第18页 |
| ·推广性的界 | 第18-19页 |
| ·结构风险最小化思想 | 第19-20页 |
| ·支持向量机 | 第20-25页 |
| ·最优分类超平面 | 第20-21页 |
| ·线性SVM | 第21-22页 |
| ·非线性SVM | 第22-23页 |
| ·核函数 | 第23-24页 |
| ·SVM多分类方法 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第3章 支持向量机参数优化算法分析 | 第26-40页 |
| ·引言 | 第26页 |
| ·支持向量机参数优化 | 第26-28页 |
| ·需要优化的参数 | 第26-27页 |
| ·参数评价方式 | 第27页 |
| ·支持向量机参数优化实验方案 | 第27-28页 |
| ·基于网格搜索的支持向量机 | 第28-31页 |
| ·网格搜索的基本原理 | 第28-29页 |
| ·实验仿真 | 第29-31页 |
| ·基于粒子群算法的支持向量机 | 第31-34页 |
| ·粒子群算法的基本原理 | 第31-32页 |
| ·实验仿真 | 第32-34页 |
| ·基于遗传算法的支持向量机 | 第34-37页 |
| ·遗传算法的基本原理 | 第34-35页 |
| ·实验仿真 | 第35-37页 |
| ·三种参数优化算法的结果分析 | 第37-39页 |
| ·本章小结 | 第39-40页 |
| 第4章 基于PCA和改进网格搜索的SVM算法 | 第40-59页 |
| ·引言 | 第40页 |
| ·PHVSVM分类算法 | 第40-46页 |
| ·属性标准化 | 第40-41页 |
| ·主成分分析 | 第41-42页 |
| ·改进的网格搜索 | 第42-46页 |
| ·实验分析 | 第46-57页 |
| ·实验环境及说明 | 第46页 |
| ·分类算法的评估标准 | 第46-47页 |
| ·实验数据和预处理 | 第47页 |
| ·实验结果及讨论 | 第47-57页 |
| ·本章小结 | 第57-59页 |
| 第5章 PHVSVM在网络舆情情感分析中的应用 | 第59-65页 |
| ·引言 | 第59页 |
| ·网络舆情情感分析概述 | 第59-60页 |
| ·Chn Senti Corp-BK情感语料 | 第60-61页 |
| ·数据预处理 | 第61-62页 |
| ·实验结果与分析 | 第62-64页 |
| ·本章小结 | 第64-65页 |
| 结论与展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-71页 |
| 附录A 攻读学位期间发表论文、实习期间参与项目 | 第71页 |
