| 摘要 | 第1-7页 |
| ABSTRACT | 第7-11页 |
| 第1章 绪论 | 第11-15页 |
| ·研究背景 | 第11页 |
| ·国内外研究现状 | 第11-13页 |
| ·研究内容和意义 | 第13页 |
| ·论文的体系结构 | 第13-15页 |
| 第2章 支持向量机算法概述 | 第15-23页 |
| ·统计学习理论基础 | 第15-18页 |
| ·学习一致性 | 第15-16页 |
| ·VC 维 | 第16页 |
| ·结构风险最小化 | 第16-18页 |
| ·支持向量机概述 | 第18-22页 |
| ·最优分类面 | 第18-21页 |
| ·非线性分类问题 | 第21-22页 |
| ·核函数 | 第22页 |
| ·本章小结 | 第22-23页 |
| 第3章 支持向量机的增量学习算法 | 第23-32页 |
| ·增量学习 | 第23页 |
| ·支持向量机的增量学习 | 第23-25页 |
| ·支持向量 | 第24页 |
| ·支持向量机的增量学习描述 | 第24-25页 |
| ·几种具有代表性的SVM 增量学习策略 | 第25-31页 |
| ·基于错误率最小的增量学习策略 | 第25-26页 |
| ·基于KKT 条件的增量学习策略 | 第26-29页 |
| ·支持向量机的渐进式增量学习策略 | 第29页 |
| ·基于超球支持向量机的类增量学习策略 | 第29-31页 |
| ·本章小结 | 第31-32页 |
| 第4章 基于壳向量的支持向量机渐进增量学习算法 | 第32-47页 |
| ·壳向量 | 第33-38页 |
| ·支持向量与壳向量 | 第33-35页 |
| ·壳向量的求解算法 | 第35-38页 |
| ·基于壳向量的支持向量机渐进增量学习算法 | 第38-41页 |
| ·增量学习的算法思想 | 第38-39页 |
| ·增量学习算法的主要步骤 | 第39-40页 |
| ·算法的时间复杂度分析 | 第40-41页 |
| ·数据仿真 | 第41-46页 |
| ·实验结果 | 第42-45页 |
| ·分析与结论 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第5章 SVM 增量学习算法在手写数字识别中的应用 | 第47-55页 |
| ·应用背景介绍 | 第47-48页 |
| ·基于壳向量的SVM 渐进增量学习策略在手写数字识别系统中的实验 | 第48-55页 |
| ·预处理 | 第49-50页 |
| ·分类器设计 | 第50页 |
| ·实验结果 | 第50-55页 |
| 第6章 总结与展望 | 第55-57页 |
| ·论文总结 | 第55页 |
| ·展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 攻读硕士学位期间发表的论文 | 第62页 |