支持向量机在机器学习中的应用研究
| 摘要 | 第1-9页 |
| Abstract | 第9-15页 |
| 第一章 绪论 | 第15-31页 |
| ·研究背景 | 第15-25页 |
| ·机器学习的内容和发展 | 第15-19页 |
| ·统计学习理论 | 第19-25页 |
| ·统计学习理论中学习问题的表示 | 第20-21页 |
| ·学习过程一致性概念 | 第21-22页 |
| ·VC维 | 第22-23页 |
| ·统计学习理论的三个里程碑 | 第23页 |
| ·推广能力的界与结构风险最小化原则 | 第23-24页 |
| ·支持向量机的提出 | 第24-25页 |
| ·支持向量机的研究现状 | 第25-28页 |
| ·本文的研究内容和意义 | 第28-29页 |
| ·本文的内容安排 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第二章 支持向量机的训练算法研究 | 第31-47页 |
| ·支持向量机基础 | 第31-35页 |
| ·线性支持向量机 | 第32-33页 |
| ·非线性支持向量机 | 第33-35页 |
| ·二次规划的求解算法 | 第35-38页 |
| ·选块算法 | 第36页 |
| ·分解算法 | 第36-37页 |
| ·序贯最小优化算法 | 第37-38页 |
| ·基于函数逼近的工作集选择策略 | 第38-46页 |
| ·一阶逼近 | 第39-42页 |
| ·二阶逼近 | 第42-45页 |
| ·收敛性分析 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第三章 大规模训练集的支持向量预选 | 第47-72页 |
| ·预选样本集 | 第48-49页 |
| ·基于边界的预选策略 | 第49-61页 |
| ·线性可分问题 | 第49-52页 |
| ·线性不可分问题 | 第52-56页 |
| ·仿真实验及分析 | 第56-61页 |
| ·基于类别质心的预选策略 | 第61-70页 |
| ·类别质心 | 第61-63页 |
| ·快速实现算法 | 第63-66页 |
| ·减少核矩阵的计算量 | 第63-65页 |
| ·提高cosθ_i的计算速度 | 第65-66页 |
| ·计算复杂度分析 | 第66页 |
| ·仿真实验及分析 | 第66-70页 |
| ·本章小结 | 第70-72页 |
| 第四章 模型选择 | 第72-99页 |
| ·模型选择的一般方法 | 第72-78页 |
| ·交叉验证(Cross Validation) | 第76页 |
| ·留一法(Leave-one-out，LOO) | 第76-78页 |
| ·基于结构风险的模型选择 | 第78-92页 |
| ·选择核及其参数 | 第78-86页 |
| ·估计像集的线性可分程度 | 第80-85页 |
| ·估计学习机器的复杂程度 | 第85-86页 |
| ·惩罚因子的选取 | 第86-92页 |
| ·仿真实验及分析 | 第92-97页 |
| ·本章小结 | 第97-99页 |
| 第五章 支持向量机在模式分类问题中的应用 | 第99-127页 |
| ·人脸识别问题 | 第99-114页 |
| ·图像预处理 | 第101-102页 |
| ·直方图均衡化 | 第101页 |
| ·尺寸归一化 | 第101-102页 |
| ·灰度归一化 | 第102页 |
| ·样本获取 | 第102-106页 |
| ·主分量分析 | 第103-104页 |
| ·线性判别分析 | 第104-106页 |
| ·基于后验概率的多类分类 | 第106-107页 |
| ·多类分类的模型选择 | 第107-108页 |
| ·基于关键部件的人脸身份识别 | 第108-110页 |
| ·部件分类器 | 第109页 |
| ·身份分类器 | 第109-110页 |
| ·仿真实验及分析 | 第110-114页 |
| ·信用评估问题 | 第114-125页 |
| ·样本获取 | 第116-117页 |
| ·基于SVM的信用评估实证分析 | 第117-119页 |
| ·特征约简 | 第119-125页 |
| ·主分量分析 | 第120-121页 |
| ·遗传算法 | 第121-125页 |
| ·本章小结 | 第125-127页 |
| 结论 | 第127-130页 |
| 主要结论 | 第127-128页 |
| 后续工作展望 | 第128-130页 |
| 致谢 | 第130-131页 |
| 参考文献 | 第131-144页 |
| 攻读博士学位期间所发表论文、著作及科研情况 | 第144页 |
