| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-21页 |
| 1.1 选题背景 | 第9-10页 |
| 1.2 最大间隔分类理论 | 第10-14页 |
| 1.3 国内外研究现状 | 第14-17页 |
| 1.4 本文的主要工作 | 第17-18页 |
| 1.5 本文的组织 | 第18-21页 |
| 2 最大间隔理论与支持向量机 | 第21-33页 |
| 2.1 标准支持向量机模型 | 第21-26页 |
| 2.1.1 线性可分情况与最优分类超平面 | 第21-23页 |
| 2.1.2 线性不可分情况 | 第23-24页 |
| 2.1.3 非线性情况 | 第24页 |
| 2.1.4 对偶问题求解 | 第24-26页 |
| 2.2 支持向量机的特点与进展 | 第26-30页 |
| 2.2.1 支持向量机的特点及优势 | 第26-27页 |
| 2.2.2 支持向量机的研究现状 | 第27-30页 |
| 2.3 其他最大间隔方法 | 第30-31页 |
| 2.4 本章小结 | 第31-33页 |
| 3 基于支持向量变换的图像融合方法 | 第33-63页 |
| 3.1 概述 | 第33-34页 |
| 3.2 支持向量变换方法 | 第34-36页 |
| 3.2.1 多尺度支持度滤波器的构造 | 第34-35页 |
| 3.2.2 小波核函数 | 第35-36页 |
| 3.2.3 支持度变换 | 第36页 |
| 3.3 对偶复小波变换（DT-CWT） | 第36-38页 |
| 3.4 脉冲耦合神经网络在图像融合中的应用 | 第38-40页 |
| 3.5 融合过程 | 第40-43页 |
| 3.5.1 融合规则的选取 | 第40页 |
| 3.5.2 融合过程 | 第40-43页 |
| 3.6 实验结果和分析 | 第43-62页 |
| 3.6.1 实验过程 | 第43-62页 |
| 3.6.2 实验结果分析 | 第62页 |
| 3.7 本章小结 | 第62-63页 |
| 4 基于后验概率形式支持向量机的迁移学习分类算法 | 第63-79页 |
| 4.1 引言 | 第63-64页 |
| 4.2 后验概率形式的支持向量机 | 第64-66页 |
| 4.3 一致性正则化框架 | 第66-70页 |
| 4.3.1 一致性度量方式 | 第66-67页 |
| 4.3.2 框架形式化 | 第67-68页 |
| 4.3.3 有效性证明 | 第68-70页 |
| 4.4 基于后验概率形式支持向量机的一致性正则化 | 第70-75页 |
| 4.4.1 数据预处理 | 第70-72页 |
| 4.4.2 基于后验概率形式支持向量机的一致性正则化实现 | 第72-74页 |
| 4.4.3 一致性正则化算法的分布式实现 | 第74-75页 |
| 4.5 实验结果与分析 | 第75-77页 |
| 4.6 本章小结 | 第77-79页 |
| 5 增量和减量最小最大概率机学习方法 | 第79-91页 |
| 5.1 引言 | 第79页 |
| 5.2 最小最大概率分类器理论 | 第79-82页 |
| 5.3 增量减量最小最大概率分类器算法 | 第82-87页 |
| 5.3.1 参数计算 | 第82-86页 |
| 5.3.2 增量减量最小最大概率分类器算法设计 | 第86-87页 |
| 5.4 增量减量最小最大概率分类器算法的有效性分析 | 第87页 |
| 5.5 实验结果与分析 | 第87-89页 |
| 5.6 本章小结 | 第89-91页 |
| 6 总结与展望 | 第91-93页 |
| 致谢 | 第93-95页 |
| 参考文献 | 第95-107页 |
| 附录 | 第107页 |
| A. 作者在攻读博士学位期间发表的论文目录 | 第107页 |
| B. 作者在攻读博士学位期间参与的科研项目 | 第107页 |