基于Gilbert算法和尺度化凸壳的SVM分类方法研究
| 中文摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第1章 引言 | 第8-14页 |
| ·机器学习 | 第8-9页 |
| ·统计学习理论 | 第9-11页 |
| ·学习过程的一致性条件 | 第9页 |
| ·VC维 | 第9-10页 |
| ·泛化误差界 | 第10-11页 |
| ·结构风险小化原则 | 第11页 |
| ·支持向量机的研究现状 | 第11-12页 |
| ·本文的研究目的和意义 | 第12-13页 |
| ·本文的内容安排 | 第13-14页 |
| 第2章 支持向量机 | 第14-24页 |
| ·支持向量机理论基础 | 第14-17页 |
| ·线性可分情况下的支持向量机 | 第14-16页 |
| ·线性不可分情形下的支持向量机 | 第16页 |
| ·非线性支持向量机 | 第16-17页 |
| ·支持向量机的训练算法 | 第17-22页 |
| ·基于块的算法 | 第18-19页 |
| ·基于分解的算法 | 第19页 |
| ·序贯最小优化算法 | 第19-22页 |
| ·本章小结 | 第22-24页 |
| 第3章 尺度化凸壳 | 第24-41页 |
| ·简约凸壳 | 第24-25页 |
| ·尺度化凸壳理论 | 第25-28页 |
| ·尺度化凸壳可分的判定方法及其存在的问题 | 第28-31页 |
| ·改进的尺度化凸壳可分的判定方法 | 第31-35页 |
| ·凸壳的相对面 | 第32页 |
| ·数据集的预处理 | 第32-33页 |
| ·尺度化凸壳可分的判定方法 | 第33-35页 |
| ·核函数特征空间的线性不可分情形 | 第35-37页 |
| ·核函数特征空间 | 第35-36页 |
| ·到特征空间的隐式映射 | 第36-37页 |
| ·改进的判定方法在核函数特征空间中的应用 | 第37-38页 |
| ·实验结果 | 第38-39页 |
| ·本章小结 | 第39-41页 |
| 第4章 一种改进的SVM非线性分类方法 | 第41-54页 |
| ·Gilbert算法收敛性 | 第41-49页 |
| ·最近点算法研究现状 | 第41-42页 |
| ·Gilbert算法 | 第42-43页 |
| ·MDM算法 | 第43页 |
| ·Gilbert算法存在的问题 | 第43-45页 |
| ·改进的Gilbert算法 | 第45-48页 |
| ·实验对比 | 第48-49页 |
| ·支持向量机与最近点问题 | 第49页 |
| ·改进的Gilbert算法用作SVM的训练算法 | 第49-50页 |
| ·非线性分类问题的处理 | 第50-51页 |
| ·实验结果及分析 | 第51-53页 |
| ·本章小结 | 第53-54页 |
| 总结和展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 在校期间的研究成果及发表的学术论文 | 第59-60页 |
| 致谢 | 第60页 |
