| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-11页 |
| 1 绪论 | 第11-19页 |
| ·选题背景及其意义 | 第11-12页 |
| ·支持向量机的研究现状 | 第12-16页 |
| ·支持向量分类机 | 第13-14页 |
| ·支持向量回归机 | 第14-15页 |
| ·核函数 | 第15-16页 |
| ·论文创新点与结构安排 | 第16-19页 |
| ·论文主要创新 | 第16页 |
| ·论文结构安排 | 第16-19页 |
| 2 支持向量机原理 | 第19-39页 |
| ·统计学习理论 | 第19-26页 |
| ·学习问题的表述 | 第20-21页 |
| ·经验风险最小化及VC维 | 第21-24页 |
| ·结构风险最小化原则 | 第24-26页 |
| ·支持向量分类机的理论与方法 | 第26-31页 |
| ·线性支持向量机 | 第26-29页 |
| ·非线性支持向量机 | 第29-30页 |
| ·最小二乘支持向量机 | 第30-31页 |
| ·支持向量回归机的理论与方法 | 第31-34页 |
| ·线性支持向量回归机 | 第32-34页 |
| ·非线性支持向量回归机 | 第34页 |
| ·核学习的理论与方法 | 第34-38页 |
| ·核方法的基本原理 | 第35页 |
| ·核函数相关的定义和理论 | 第35-38页 |
| ·本章小结 | 第38-39页 |
| 3 支持向量机训练算法研究 | 第39-55页 |
| ·引言 | 第39页 |
| ·序贯最小优化算法 | 第39-47页 |
| ·序贯最小优化算法原理 | 第39-43页 |
| ·改进的序贯最小优化算法 | 第43-44页 |
| ·基于最小二乘支持向量机的序贯最小优化算法 | 第44-47页 |
| ·S-SMO算法 | 第47-49页 |
| ·实证分析 | 第49-51页 |
| ·SD-SMO算法与FO-SMO算法比较 | 第49-51页 |
| ·SD-SMO算法与SO-SMO算法比较 | 第51页 |
| ·本章小结 | 第51-55页 |
| 4 多核支持向量回归机及其算法 | 第55-77页 |
| ·引言 | 第55-57页 |
| ·多核学习优化算法 | 第57-60页 |
| ·单阶段多核学习算法 | 第58-59页 |
| ·两阶段多核学习算法 | 第59-60页 |
| ·基于l_1范数多核支持向量回归机及相应的算法 | 第60-64页 |
| ·基于l_1范数多核支持向量回归机 | 第60-62页 |
| ·两层多核学习算法 | 第62-64页 |
| ·基于l_p范数多核支持向量回归机及其相应的算法 | 第64-70页 |
| ·基于l_p范数多核支持向量回归机 | 第64-67页 |
| ·优化算法 | 第67-70页 |
| ·实证分析 | 第70-75页 |
| ·l_p-MKSVR与SKSVR比较 | 第70-72页 |
| ·l_p-MKSVR与l_1-MKSVR比较 | 第72-75页 |
| ·本章小结 | 第75-77页 |
| 5 在线自适应多核支持向量回归机及其算法 | 第77-95页 |
| ·引言 | 第77-80页 |
| ·在线学习 | 第78-80页 |
| ·本章主要工作 | 第80页 |
| ·在线自适应多核支持向量回归机的框架及相应的算法 | 第80-88页 |
| ·AA-OMKRA | 第81-83页 |
| ·AR-OMKRA | 第83-85页 |
| ·RA-OMKRA | 第85-87页 |
| ·RR-OMKRA | 第87-88页 |
| ·实证分析 | 第88-92页 |
| ·AA-OMKRA与残差修正的在线自适应核学习算法比较 | 第88-90页 |
| ·评估随机策略的性能 | 第90页 |
| ·评估随机策略对支持向量个数的影响 | 第90-91页 |
| ·评估权重折扣参数v对学习精度的影响 | 第91-92页 |
| ·本章小结 | 第92-95页 |
| 6 总结与展望 | 第95-97页 |
| ·创新性工作总结 | 第95-96页 |
| ·研究工作展望 | 第96-97页 |
| 参考文献 | 第97-111页 |
| 致谢 | 第111-113页 |
| 攻读学位期间主要的研究成果 | 第113页 |
| 攻读学位期间参与的项目研究及获得的奖励 | 第113页 |