摘要 | 第1-6页 |
ABSTRACT | 第6-11页 |
第一章 绪论 | 第11-19页 |
·研究背景 | 第11-12页 |
·支持向量机分类算法研究现状 | 第12-17页 |
·分解算法 | 第12-13页 |
·增量学习算法 | 第13-14页 |
·多类别分类算法 | 第14-15页 |
·支持向量机改进算法 | 第15页 |
·支持向量机变形算法 | 第15-16页 |
·原始空间中的求解算法 | 第16-17页 |
·研究内容与结构安排 | 第17-19页 |
第二章 支持向量机理论基础 | 第19-39页 |
·机器学习 | 第19-21页 |
·学习问题的表示 | 第19-20页 |
·经验风险最小化 | 第20-21页 |
·学习机器的泛化能力 | 第21页 |
·统计学习理论 | 第21-25页 |
·学习过程的一致性条件 | 第22-23页 |
·VC 维 | 第23页 |
·泛化性的界 | 第23-24页 |
·结构风险最小化 | 第24-25页 |
·优化理论 | 第25-30页 |
·KKT 条件 | 第26-27页 |
·Wolf 对偶 | 第27-28页 |
·相关的基本定义 | 第28-30页 |
·支持向量机 | 第30-39页 |
·线性支持向量机 | 第30-34页 |
·核函数和再生核 Hilbert 空间 | 第34-38页 |
·非线性支持向量机 | 第38-39页 |
第三章 光滑支持向量机多项式函数的研究 | 第39-57页 |
·引言 | 第39-40页 |
·光滑支持向量机 | 第40-43页 |
·多项式光滑支持向量机 | 第43-48页 |
·多项式光滑函数 | 第43-46页 |
·多项式光滑函数的性能 | 第46-48页 |
·多项式光滑支持向量机的算法和实验 | 第48-51页 |
·最优光滑因子 | 第48-49页 |
·算法选取 | 第49页 |
·实验 | 第49-51页 |
·多项式光滑函数的应用——求解广义支持向量机 | 第51-54页 |
·广义支持向量机及其求解 | 第51-53页 |
·实验 | 第53-54页 |
·小结 | 第54-57页 |
第四章 半监督支持向量机分类算法 | 第57-71页 |
·引言 | 第57-58页 |
·半监督支持向量机的研究现状 | 第58-60页 |
·自训练半监督支持向量机 | 第60-64页 |
·自训练半监督支持向量机算法 | 第60-62页 |
·实验 | 第62-64页 |
·多项式光滑的半监督支持向量机 | 第64-69页 |
·多项式光滑函数 | 第64-65页 |
·逼近误差分析 | 第65-66页 |
·算法 | 第66-67页 |
·非线性多项式光滑的半监督支持向量机 | 第67页 |
·实验 | 第67-69页 |
·小结 | 第69-71页 |
第五章 线性支持向量机的直接算法 | 第71-95页 |
·引言 | 第71页 |
·线性支持向量机的并行下降方法 | 第71-74页 |
·线性支持向量机的 Hooke and Jeeves 方法 | 第74-80页 |
·Hooke and Jeeves 算法 | 第74-77页 |
·Hooke and Jeeves 算法的性能分析 | 第77-78页 |
·实验 | 第78-80页 |
·线性支持向量机的 Rosenbrock 算法 | 第80-84页 |
·Rosenbrock 方法 | 第80-81页 |
·Rosenbrock 算法的性能分析 | 第81-82页 |
·实验 | 第82-84页 |
·线性支持向量机的 Powell 算法 | 第84-93页 |
·原始 Powell 法 | 第85-86页 |
·Powell 法 | 第86-90页 |
·线性支持向量机的 Powell 算法 | 第90-91页 |
·Powell 算法的性能分析 | 第91-92页 |
·实验 | 第92-93页 |
·小结 | 第93-95页 |
第六章 健壮支持向量机 | 第95-107页 |
·引言 | 第95-96页 |
·健壮支持向量机的研究现状 | 第96-101页 |
·双曲正切支持向量机 | 第101-103页 |
·实验 | 第103-105页 |
·在人工数据上的实验 | 第103页 |
·在 UCI 数据集上的实验 | 第103-105页 |
·小结 | 第105-107页 |
结束语 | 第107-110页 |
致谢 | 第110-111页 |
参考文献 | 第111-122页 |
在读博士期间撰写(发表)的论文 | 第122-123页 |