| 中文摘要 | 第1-3页 |
| ABSTRACT | 第3-7页 |
| 第一章 绪论 | 第7-20页 |
| ·研究背景 | 第7-8页 |
| ·数学规划理论 | 第8-9页 |
| ·非线性规划 | 第8页 |
| ·相关定理 | 第8-9页 |
| ·Wolfe对偶问题 | 第9页 |
| ·机器学习问题及方法 | 第9-11页 |
| ·统计学习理论 | 第11-14页 |
| ·支持向量机 | 第14-19页 |
| ·SVM基本原理 | 第14-15页 |
| ·SVM与神经网络的关系 | 第15-16页 |
| ·SVM研究进展 | 第16-19页 |
| ·研究内容与结构安排 | 第19-20页 |
| 第二章 支持向量机分类算法研究 | 第20-42页 |
| ·引言 | 第20-21页 |
| ·两类别分类算法研究 | 第21-29页 |
| ·标准型SVM | 第21-25页 |
| ·基于中心型的BI-SVM | 第25-28页 |
| ·拉格朗日型SVM | 第28-29页 |
| ·多类别分类算法研究 | 第29-41页 |
| ·One-vs-One、One-vs-Rest | 第30-31页 |
| ·基于Proximal SVM的均衡增量型分类算法 | 第31-35页 |
| ·基于霍夫曼树的分类算法 | 第35-41页 |
| ·本章小结 | 第41-42页 |
| 第三章 支持向量机回归算法研究 | 第42-57页 |
| ·引言 | 第42页 |
| ·SVR基本原理 | 第42-49页 |
| ·损失函数 | 第42-43页 |
| ·实函数估计 | 第43-44页 |
| ·SVR基本实现 | 第44-47页 |
| ·积极集法 | 第47-49页 |
| ·v-SVR算法的扩展研究 | 第49-56页 |
| ·v-ESVR算法设计 | 第49-51页 |
| ·实验设计与分析 | 第51-56页 |
| ·本章小结 | 第56-57页 |
| 第四章 SVM在智能交通系统中的应用 | 第57-65页 |
| ·智能交通系统 | 第57-59页 |
| ·ITS概念 | 第57页 |
| ·相关应用技术 | 第57-59页 |
| ·基于HFMTree SVM的车型识别方法 | 第59页 |
| ·基于v-ESVR的短时交通流预测方法 | 第59-64页 |
| ·性能指标 | 第60页 |
| ·异常值剔除 | 第60-61页 |
| ·实验设计与分析 | 第61-64页 |
| ·本章小结 | 第64-65页 |
| 第五章 总结与展望 | 第65-67页 |
| ·工作总结 | 第65页 |
| ·未来展望 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 附录 | 第73-74页 |
| 发表论文和科研情况说明 | 第74-75页 |
| 致谢 | 第75页 |