支持向量机在模式识别领域中的应用研究
| 摘要 | 第1-3页 |
| Abstract | 第3-6页 |
| 第一章 引言 | 第6-10页 |
| ·研究的背景及意义 | 第6页 |
| ·支持向量机理论的发展 | 第6-8页 |
| ·支持向量机在各个领域中的具体应用 | 第8页 |
| ·本文的主要工作及内容安排 | 第8-10页 |
| 第二章 支持向量机的基本原理 | 第10-28页 |
| ·统计学习理论 | 第10-14页 |
| ·机器学习问题的描述 | 第10-11页 |
| ·统计学习理论发展与支持向量机 | 第11-12页 |
| ·VC维理论 | 第12页 |
| ·推广性的界 | 第12-13页 |
| ·结构风险最小化原则 | 第13-14页 |
| ·支持向量机理论 | 第14-19页 |
| ·最优分类面 | 第16-18页 |
| ·标准支持向量机 | 第18-19页 |
| ·支持向量机的主要研究热点 | 第19-26页 |
| ·支持向量机多类分类方法 | 第19-23页 |
| ·求解支持向量机的二次规划问题 | 第23-25页 |
| ·函数选择及其参数优化 | 第25-26页 |
| ·本章小结 | 第26-28页 |
| 第三章 一种新型的增式SVM训练算法 | 第28-34页 |
| ·传统的增式SVM训练算法 | 第28-29页 |
| ·改进的增式SVM训练算法 | 第29-32页 |
| ·改进算法的基本思想及KKT条件 | 第29-30页 |
| ·改进增式练训算法的步骤 | 第30-31页 |
| ·仿真实验 | 第31-32页 |
| ·本章小结 | 第32-34页 |
| 第四章 一种基于聚类思想的SVM多类分类方法 | 第34-39页 |
| ·基于决策树方法的多类分类SVM | 第34-35页 |
| ·基于聚类思想的SVM多类分类算法 | 第35-36页 |
| ·实验结果与讨论 | 第36-38页 |
| ·小结 | 第38-39页 |
| 第五章 改进的SVM算法在模式识别领域的具体应用 | 第39-52页 |
| ·模式识别简介 | 第39-40页 |
| ·船舰目标识别 | 第40-44页 |
| ·不变矩理论 | 第40-41页 |
| ·基于不变矩和支持向量机理论的船舰目标识别 | 第41-42页 |
| ·实验仿真 | 第42-44页 |
| ·人脸识别 | 第44-51页 |
| ·人脸识别的理论基础 | 第44-45页 |
| ·基于PCA方法和SVM原理的人脸识别技术 | 第45-51页 |
| ·本章小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-54页 |
| ·本文工作总结 | 第52-53页 |
| ·未来工作展望 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 攻读学位期间的研究成果 | 第57-58页 |
| 致谢 | 第58-59页 |
