基于支持向量技术的聚类分类研究
| 提要 | 第1-12页 |
| 第一章 绪论 | 第12-17页 |
| ·引言 | 第12-13页 |
| ·机器学习问题概述 | 第13-14页 |
| ·统计学习理论 | 第14页 |
| ·支持向量机和支持向量算法 | 第14-15页 |
| ·本文的研究成果和技术路线 | 第15-17页 |
| ·本文的研究成果 | 第15-16页 |
| ·本文的内容组织 | 第16-17页 |
| 第二章 支持向量技术理论基础 | 第17-30页 |
| ·引言 | 第17页 |
| ·统计学习理论 | 第17-21页 |
| ·学习问题的模型描述 | 第17-18页 |
| ·经验风险最小化原则 | 第18页 |
| ·控制学习过程的推广能力的理论 | 第18-21页 |
| ·支持向量机 | 第21-26页 |
| ·支持向量机分类算法 | 第21-23页 |
| ·支持向量机回归算法 | 第23-24页 |
| ·支持向量机研究现状 | 第24-26页 |
| ·支持向量聚类 | 第26-28页 |
| ·支持向量聚类模型 | 第26-27页 |
| ·支持向量聚类初步讨论 | 第27-28页 |
| ·支持向量技术的初步分析及本文研究思路 | 第28-29页 |
| ·小结 | 第29-30页 |
| 第三章 简约支持向量聚类 | 第30-50页 |
| ·引言 | 第30-32页 |
| ·简约策略 | 第32-34页 |
| ·薛定谔方程 | 第32页 |
| ·薛定谔方程在聚类中的功能分析 | 第32-33页 |
| ·简约策略 | 第33-34页 |
| ·目标函数的修正及简约程度讨论 | 第34-35页 |
| ·目标函数的修正方案 | 第34-35页 |
| ·简约程度讨论 | 第35页 |
| ·新的簇划分方法 | 第35-39页 |
| ·新的簇划分方法步骤 | 第35-36页 |
| ·高斯核函数特征空间的几何性质 | 第36-38页 |
| ·新簇划分算法的正确性说明 | 第38-39页 |
| ·RSVC 时间性能分析 | 第39-40页 |
| ·优化过程上的时间耗费分析 | 第39页 |
| ·簇划分阶段的时间耗费分析 | 第39-40页 |
| ·实验分析 | 第40-48页 |
| ·简约策略效果测试 | 第40-45页 |
| ·修正的优化目标函数测试 | 第45-46页 |
| ·新的簇划分方法测试 | 第46-47页 |
| ·算法整体性能测试 | 第47-48页 |
| ·小结 | 第48-50页 |
| 第四章基于支持向量的融合式聚类算法研究 | 第50-69页 |
| ·引言 | 第50-51页 |
| ·ACSV 算法 | 第51-52页 |
| ·算法思想和算法意义 | 第51-52页 |
| ·算法步骤 | 第52页 |
| ·用支持向量技术生成球状网格 | 第52-57页 |
| ·球状网格的生成 | 第52-54页 |
| ·高斯核函数尺度参数的调整及讨论 | 第54-57页 |
| ·网格距离定义 | 第57-59页 |
| ·其他参数的启发式设置策略 | 第59-60页 |
| ·L 和d 的设计 | 第59页 |
| ·v_d 的设计 | 第59页 |
| ·P 的设计 | 第59-60页 |
| ·球状网格的聚类结果选择办法 | 第60-61页 |
| ·矩形网格的生成 | 第61-62页 |
| ·矩形网格的生成办法 | 第61-62页 |
| ·矩形网格的聚类结果选择办法 | 第62页 |
| ·实验结果分析 | 第62-68页 |
| ·两种初始网格比较 | 第62-64页 |
| ·与其他层次式聚类算法比较 | 第64-66页 |
| ·网格距离测试 | 第66页 |
| ·与其他算法比较 | 第66-68页 |
| ·小结 | 第68-69页 |
| 第五章 支持向量机分界面函数研究以及双层分类思想 | 第69-93页 |
| ·引言 | 第69页 |
| ·支持向量机分界面函数研究 | 第69-70页 |
| ·支持向量机决策信用度定义 | 第70-71页 |
| ·面向分类任务的测度定义 | 第71-74页 |
| ·分界面函数信息的利用 | 第71-72页 |
| ·面向分类任务的测度的定义 | 第72-73页 |
| ·讨论 | 第73-74页 |
| ·双层分类思想及算法框架设计 | 第74-76页 |
| ·双层分类思想 | 第74-75页 |
| ·局部分类器启动条件 | 第75-76页 |
| ·双层分类器的两种实现算法 | 第76-80页 |
| ·实现算法一(SNNC) | 第76页 |
| ·实现算法二(SFC) | 第76-80页 |
| ·实验分析 | 第80-88页 |
| ·SNNC 算法实验分析 | 第80-84页 |
| ·SFC 算法实验分析 | 第84-88页 |
| ·双层分类思想的两种实现算法之分析比较 | 第88-89页 |
| ·分类性能上的比较 | 第88页 |
| ·时间耗费上的比较 | 第88-89页 |
| ·双层分类思想引申 | 第89-91页 |
| ·双层学习思想 | 第89-90页 |
| ·全局学习模型的局限性 | 第90页 |
| ·局部模型的必要性 | 第90-91页 |
| ·小结 | 第91-93页 |
| 第六章 支持向量技术研究 | 第93-119页 |
| ·引言 | 第93-94页 |
| ·机器学习的观点上三者一致性的分析 | 第94页 |
| ·模型的几何意义上三者相通性的分析 | 第94-95页 |
| ·学习模型上三者同源性的推导 | 第95-101页 |
| ·从SVM 到SVC | 第96-98页 |
| ·从SVM 到SVR | 第98-101页 |
| ·从SVR 到SVM | 第101页 |
| ·基于三分支持向量器的多分类解决方案引言 | 第101-111页 |
| ·传统的基于SVM 的多分类方法 | 第102页 |
| ·基于三分的支持向量分类器 | 第102-105页 |
| ·SVCMR 算法框架 | 第105-111页 |
| ·SVCMR 时间复杂度分析 | 第111页 |
| ·实验分析 | 第111-118页 |
| ·人工数据集测试 | 第111-115页 |
| ·真实数据集测试 | 第115-118页 |
| ·小结 | 第118-119页 |
| 第七章 基于支持向量技术的关系数据核函数定义 | 第119-139页 |
| ·引言 | 第119-120页 |
| ·关系数据的含义和概念 | 第120-121页 |
| ·关系数据的核函数定义 | 第121-123页 |
| ·关系数据的核函数设计思想 | 第121-122页 |
| ·一种具体的核函数定义 | 第122页 |
| ·关系数据核函数的具体计算 | 第122-123页 |
| ·一种核函数定义框架 | 第123-130页 |
| ·已知相似性信息时的参数化方案 | 第123-125页 |
| ·已知类别信息时核函数框架的参数化方案 | 第125-130页 |
| ·实验分析 | 第130-137页 |
| ·K1 性能测试 | 第130-134页 |
| ·K2 性能测试 | 第134-135页 |
| ·K3 性能测试 | 第135-137页 |
| ·折衷式风险评估思想引申 | 第137-138页 |
| ·小结 | 第138-139页 |
| 第八章 总结与展望 | 第139-143页 |
| ·总结 | 第139-141页 |
| ·展望 | 第141-143页 |
| 参考文献 | 第143-150页 |
| 致谢 | 第150-151页 |
| 作者读博期间发表的论文目录 | 第151-153页 |
| 摘要 | 第153-156页 |
| Abstract | 第156-158页 |
