| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-17页 |
| ·分布估计算法的研究背景与应用 | 第10-13页 |
| ·分布估计算法的研究背景 | 第10-12页 |
| ·分布估计算法的应用 | 第12页 |
| ·分布估计算法的发展前景 | 第12-13页 |
| ·支持向量机的研究背景与应用 | 第13-15页 |
| ·支持向量机的研究背景 | 第13-14页 |
| ·支持向量机的应用 | 第14-15页 |
| ·本文主要工作 | 第15-16页 |
| ·本章小结 | 第16-17页 |
| 第二章 分布估计算法 | 第17-23页 |
| ·分布估计算法的分类和介绍 | 第17-20页 |
| ·变量无关的分布估计算法 | 第17-19页 |
| ·双变量相关的分布估计算法 | 第19-20页 |
| ·多变量相关的分布估计算法 | 第20页 |
| ·连续域的分布估计算法 | 第20-21页 |
| ·分布估计算法中的概率密度估计 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 支持向量机 | 第23-34页 |
| ·统计学习理论基础 | 第23-25页 |
| ·支持向量分类问题 | 第25-28页 |
| ·支持向量回归问题 | 第28-30页 |
| ·基于支持向量机的概率密度估计 | 第30-33页 |
| ·不适定问题 | 第30-32页 |
| ·基于支持向量机的概率密度估计 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 第四章 基于支持向量机的分布估计算法 | 第34-47页 |
| ·Kullback-Leibler 距离 | 第34-35页 |
| ·将Kullback-Leibler 距离应用到支持向量机 | 第35-36页 |
| ·分布估计算法的实现 | 第36-37页 |
| ·数值实验 | 第37-44页 |
| ·算例：Sphere 函数最小化问题 | 第37-39页 |
| ·算例：Rosenbrock 函数最小化问题 | 第39-42页 |
| ·算例：Schewefel 函数最小化问题 | 第42-44页 |
| ·与UMDAc 算法的比较 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 第五章 总结 | 第47-48页 |
| 参考文献 | 第48-53页 |
| 致谢 | 第53页 |