改进的支持向量机回归估计算法及其应用
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-18页 |
| ·统计学习理论的发展简史 | 第9-10页 |
| ·支持向量机 | 第10-15页 |
| ·支持向量机的发展简史 | 第10-11页 |
| ·支持向量机实现算法研究 | 第11-14页 |
| ·支持向量机应用研究现状 | 第14页 |
| ·支持向量机的优点和局限性 | 第14-15页 |
| ·国内统计学习理论与支持向量机的研究概况 | 第15-16页 |
| ·本文主要内容 | 第16-18页 |
| 第二章 支持向量机的基本理论 | 第18-37页 |
| ·机器学习的基本问题 | 第18-21页 |
| ·问题的表示 | 第18-19页 |
| ·经验风险最小化 | 第19-21页 |
| ·统计学习理论的核心内容 | 第21-25页 |
| ·VC维 | 第22-23页 |
| ·推广性的界 | 第23-24页 |
| ·结构风险最小化 | 第24-25页 |
| ·支持向量机分类算法 | 第25-33页 |
| ·线性可分情况 | 第26-29页 |
| ·广义线性可分情况 | 第29-31页 |
| ·支持向量机的设计 | 第31-32页 |
| ·高维空间中的最优分类面 | 第32-33页 |
| ·核函数 | 第33-37页 |
| 第三章 支持向量机回归理论 | 第37-49页 |
| ·损失函数 | 第37-39页 |
| ·线性回归估计 | 第39-43页 |
| ·ε不敏感损失函数 | 第39-42页 |
| ·Huber损失函数 | 第42页 |
| ·二次损失函数 | 第42-43页 |
| ·非线性回归估计 | 第43-44页 |
| ·几种回归估计优化算法 | 第44-49页 |
| ·最小二乘支持向量机 | 第44-46页 |
| ·加权支持向量机 | 第46-47页 |
| ·基于线性规划的支持向量机 | 第47-49页 |
| 第四章 一种改进的支持向量机回归估计算法 | 第49-59页 |
| ·引言 | 第49页 |
| ·用于分类的SOR算法 | 第49-52页 |
| ·用于回归估计的SORR算法 | 第52-53页 |
| ·实验结果与分析 | 第53-59页 |
| ·SORR算法与SVR算法在学习速度上的比较 | 第54-56页 |
| ·SORR算法与SVR算法在回归估计精度上的比较 | 第56-58页 |
| ·实验小结 | 第58-59页 |
| 第五章 结束语 | 第59-61页 |
| ·本文工作总结 | 第59-60页 |
| ·进一步的工作 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 攻读学位期间发表的学术论文目录 | 第66页 |
