| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究现状 | 第11-14页 |
| 1.3 本文主要研究内容及组织架构 | 第14-16页 |
| 第2章 随机梯度下降算法 | 第16-32页 |
| 2.1 支持向量机 | 第16-21页 |
| 2.1.1 两类的SVM | 第16-18页 |
| 2.1.2 多类的SVM | 第18-21页 |
| 2.2 梯度下降算法 | 第21-27页 |
| 2.2.1 标准梯度下降算法 | 第21-22页 |
| 2.2.2 随机梯度下降算法 | 第22-27页 |
| 2.3 随机梯度下降算法求解多类SVM | 第27页 |
| 2.4 实验结果与分析 | 第27-31页 |
| 2.4.1 仿真实验 | 第27-29页 |
| 2.4.2 日常活动识别实验 | 第29-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 半随机梯度下降算法 | 第32-46页 |
| 3.1 Logistic回归模型 | 第32-33页 |
| 3.2 半随机梯度下降算法 | 第33-41页 |
| 3.2.1 S2GD算法的基本模型 | 第33-34页 |
| 3.2.2 S2GD的收敛性分析 | 第34-37页 |
| 3.2.3 凸损失的复杂度分析 | 第37-38页 |
| 3.2.4 最优参数的选取 | 第38-41页 |
| 3.3 S2GD求解二值Logistic回归模型 | 第41页 |
| 3.4 实验结果与分析 | 第41-45页 |
| 3.4.1 仿真实验 | 第41-42页 |
| 3.4.2 精神分裂症实验 | 第42-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 对偶坐标下降法 | 第46-64页 |
| 4.1 坐标下降法 | 第46-47页 |
| 4.2 对偶坐标下降法与Logistic回归模型 | 第47-53页 |
| 4.2.1 原始Logistic回归模型 | 第47页 |
| 4.2.2 对偶形式Logistic回归模型 | 第47-51页 |
| 4.2.3 对偶坐标下降法求解二值Logistic回归 | 第51-53页 |
| 4.3 对偶坐标下降法与最大熵模型 | 第53-57页 |
| 4.3.1 原始最大熵模型 | 第53-54页 |
| 4.3.2 对偶形式最大熵模型 | 第54-57页 |
| 4.3.3 对偶坐标下降法求解最大熵模型 | 第57页 |
| 4.4 实验结果与分析 | 第57-63页 |
| 4.4.1 基准数据集实验 | 第57-60页 |
| 4.4.2 自然语言处理实验 | 第60-63页 |
| 4.5 本章小结 | 第63-64页 |
| 结论 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第69-70页 |
| 致谢 | 第70页 |