面向非线性优化问题的学习算法的研究
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究的背景与意义 | 第12-14页 |
| 1.2 常用非线性算法 | 第14-17页 |
| 1.2.1 贝叶斯网络 | 第14-15页 |
| 1.2.2 遗传算法 | 第15-16页 |
| 1.2.3 BP神经网络 | 第16-17页 |
| 1.3 SVM研究背景与意义 | 第17页 |
| 1.4 本论文主要研究工作 | 第17-18页 |
| 1.5 本文结构 | 第18-19页 |
| 第2章 SVM简介 | 第19-26页 |
| 2.1 SVM原理 | 第19-20页 |
| 2.2 核函数 | 第20-21页 |
| 2.3 常见SVM分类模型 | 第21-25页 |
| 2.3.1 F-SVM | 第22-23页 |
| 2.3.2 S~3VM | 第23-24页 |
| 2.3.3 One-Class SVM | 第24-25页 |
| 2.4 常见的SVM回归模型 | 第25-26页 |
| 第3章 DSVM分类模型 | 第26-32页 |
| 3.1 DSVM研究背景 | 第26-27页 |
| 3.2 DSVM模型 | 第27-31页 |
| 3.3 本章小结 | 第31-32页 |
| 第4章 SVM并行算法IPSMO和IIPSMO | 第32-56页 |
| 4.1 常见的分解优化算法 | 第32-34页 |
| 4.2 常见的SVM并行模型 | 第34-37页 |
| 4.2.1 SPMD SVM | 第35页 |
| 4.2.2 Cascade SVM | 第35-36页 |
| 4.2.3 PSMO | 第36-37页 |
| 4.3 PSMO的改进模型 | 第37-55页 |
| 4.3.1 IPSMO的提出和实验分析 | 第37-48页 |
| 4.3.2 IIPSMO的提出和实验分析 | 第48-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第5章 LIBSVM的改进算法 | 第56-87页 |
| 5.1 LIBSVM优化工具 | 第56-59页 |
| 5.1.1 Shrinking技术 | 第56-57页 |
| 5.1.2 Cache技术 | 第57-59页 |
| 5.2 LIBSVM改进算法WSS 3 | 第59-75页 |
| 5.2.1 算法WSS 3-1 | 第59-60页 |
| 5.2.2 算法WSS 3-2 | 第60-61页 |
| 5.2.3 算法WSS 3-3 | 第61-63页 |
| 5.2.4 算法WSS 3-4 | 第63-64页 |
| 5.2.5 算法WSS 3-5 | 第64-75页 |
| 5.3 WSS 3-5+IPSMO的实验分析 | 第75-83页 |
| 5.4 WSS 3-5+IIPSMO的实验分析 | 第83-86页 |
| 5.5 本章小结 | 第86-87页 |
| 第6章 总结与展望 | 第87-90页 |
| 6.1 总结 | 第87-88页 |
| 6.2 展望 | 第88-90页 |
| 参考文献 | 第90-92页 |
| 附录 | 第92-93页 |
| 致谢 | 第93页 |
