一种双支持向量机决策树的多分类算法
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第7-13页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.2.1 支持向量机理论发展现状 | 第8-9页 |
| 1.2.2 双支持向量机发展现状 | 第9-10页 |
| 1.2.3 多分类算法发展现状 | 第10-11页 |
| 1.3 研究目的和内容 | 第11页 |
| 1.4 论文的组织结构 | 第11-13页 |
| 2 支持向量机理论 | 第13-22页 |
| 2.1 统计学习理论 | 第13-15页 |
| 2.1.1 学习过程一致性 | 第13页 |
| 2.1.2 V-C维理论 | 第13-14页 |
| 2.1.3 结构风险最小化 | 第14-15页 |
| 2.2 支持向量机 | 第15-19页 |
| 2.2.1 最优分类面 | 第15-16页 |
| 2.2.2 支持向量机 | 第16-19页 |
| 2.3 双支持向量机 | 第19-21页 |
| 2.4 本章小结 | 第21-22页 |
| 3 多分类SVM方法简介 | 第22-26页 |
| 3.1 多分类SVM算法 | 第22-25页 |
| 3.1.1 一对余支持向量机 | 第22-23页 |
| 3.1.2 一对一支持向量机 | 第23页 |
| 3.1.3 有向无环图SVM算法 | 第23-24页 |
| 3.1.4 支持向量机决策树 | 第24页 |
| 3.1.5 多支持向量机分类器 | 第24-25页 |
| 3.2 本章小结 | 第25-26页 |
| 4 基于双支持向量机决策树的多分类算法 | 第26-32页 |
| 4.1 类间的区分度定义 | 第26-27页 |
| 4.2 双支持向量机决策树 | 第27-29页 |
| 4.2.1 基本思想 | 第27-28页 |
| 4.2.2 DT-TSVM的训练过程 | 第28-29页 |
| 4.2.3 基于DT-TSVM的分类 | 第29页 |
| 4.3 实证分析 | 第29-31页 |
| 4.4 本章小结 | 第31-32页 |
| 5 结论与展望 | 第32-33页 |
| 致谢 | 第33-34页 |
| 参考文献 | 第34-38页 |
| 附录 | 第38页 |
| A. 作者在攻读硕士学位期间发表的论文目录 | 第38页 |
