| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究背景和选题意义 | 第8-9页 |
| 1.1.1 监督学习 | 第9页 |
| 1.1.2 半监督学习 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 支持向量机的研究 | 第9-10页 |
| 1.2.2 半监督支持向量机的研究 | 第10-11页 |
| 1.3 研究的内容和组织框架 | 第11-13页 |
| 1.3.1 研究内容 | 第11页 |
| 1.3.2 论文的组织框架 | 第11-13页 |
| 2 统计学习理论 | 第13-18页 |
| 2.1 引言 | 第13页 |
| 2.2 学习的一致性 | 第13-14页 |
| 2.3 VC 维 | 第14-15页 |
| 2.4 结构风险 | 第15-17页 |
| 2.5 本章小结 | 第17-18页 |
| 3 支持向量机理论 | 第18-29页 |
| 3.1 支持向量机 | 第18-22页 |
| 3.1.1 线性可分支持向量机 | 第18-20页 |
| 3.1.2 近似线性可分支持向量机 | 第20-21页 |
| 3.1.3 非线性支持向量机 | 第21-22页 |
| 3.2 核函数 | 第22-23页 |
| 3.3 SVM 算法的实现 | 第23-26页 |
| 3.4 多类支持向量机 | 第26-28页 |
| 3.5 本章小结 | 第28-29页 |
| 4 直推式支持向量机的研究 | 第29-39页 |
| 4.1 直推式支持向量机 | 第29-31页 |
| 4.2 直推式支持向量机的几种改进算法 | 第31-37页 |
| 4.2.1 渐进直推式支持向量机学习算法 | 第31页 |
| 4.2.2 TSVM 算法中确定Np的新方法 | 第31-33页 |
| 4.2.3 TSVM 的模糊渐进式学习算法 | 第33页 |
| 4.2.4 Semi TSVM 算法 | 第33-34页 |
| 4.2.5 基于增量学习的直推式支持向量机 | 第34-35页 |
| 4.2.6 最小二乘支持向量机的半监督学习方法（SLS-TSVM） | 第35-37页 |
| 4.3 仿真实验 | 第37-38页 |
| 4.4 本章小结 | 第38-39页 |
| 5 总结与展望 | 第39-40页 |
| 致谢 | 第40-41页 |
| 参考文献 | 第41-44页 |
| 附录 | 第44页 |
| A. 作者在攻读硕士学位期间发表的论文目录 | 第44页 |