| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第一章 绪论 | 第8-10页 |
| ·课题背景 | 第8页 |
| ·国内外的研究现状 | 第8-9页 |
| ·本文的组织结构 | 第9-10页 |
| 第二章 数据挖掘理论与技术 | 第10-20页 |
| ·数据挖掘概述 | 第10-12页 |
| ·数据挖掘的基本概念 | 第10-11页 |
| ·数据挖掘的应用 | 第11-12页 |
| ·数据挖掘过程 | 第12-14页 |
| ·数据挖掘方法 | 第14-18页 |
| ·人工神经网络(Artificial Neural Networks) | 第15页 |
| ·遗传算法(Genetic Algorithms) | 第15-16页 |
| ·决策树方法(Decision Trees) | 第16页 |
| ·关联分析(Associations) | 第16-17页 |
| ·序列模式分析(Sequential Patterns) | 第17页 |
| ·分类分析(Classifiers) | 第17页 |
| ·聚类分析(Clustering) | 第17-18页 |
| ·本章小结 | 第18-20页 |
| 第三章 统计学习理论 | 第20-30页 |
| ·引言 | 第20页 |
| ·机器学习的基本问题 | 第20-25页 |
| ·机器学习问题的表示 | 第20-23页 |
| ·经验风险最小化 | 第23-24页 |
| ·复杂性与推广能力 | 第24-25页 |
| ·统计学习理论 | 第25-28页 |
| ·VC维 | 第26-27页 |
| ·推广性的界 | 第27页 |
| ·结构风险最小化 | 第27-28页 |
| ·本章小结 | 第28-30页 |
| 第四章 支持向量机的研究 | 第30-40页 |
| ·支持向量机 | 第30-35页 |
| ·最优分类面 | 第30-32页 |
| ·广义最优分类面 | 第32-33页 |
| ·支持向量机 | 第33-35页 |
| ·核函数(Kernel Function) | 第35页 |
| ·支持向量机理论的主要研究内容 | 第35-39页 |
| ·各种支持向量机新算法的研究 | 第36页 |
| ·海量数据优化算法的研究 | 第36-37页 |
| ·支持向量机模型选择的研究 | 第37-38页 |
| ·支持向量机多类别分类方法的研究 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 第五章 支持向量机算法综述 | 第40-50页 |
| ·引言 | 第40-41页 |
| ·分解算法 | 第41-47页 |
| ·选块算法(Chunking Algorithm) | 第41-43页 |
| ·分解算法(Decomposition Algorithm) | 第43-45页 |
| ·顺序最小优化算法 | 第45-47页 |
| ·序贯分类算法 | 第47页 |
| ·在线训练算法 | 第47-48页 |
| ·本章小结 | 第48-50页 |
| 第六章 基于增量学习的支持向量算法 | 第50-58页 |
| ·引言 | 第50-51页 |
| ·支持向量机的增量学习 | 第51-54页 |
| ·增量学习过程中支持向量集的变化 | 第53-54页 |
| ·几种增量学习方法的对比 | 第54页 |
| ·新的SVM增量学习算法 | 第54-55页 |
| ·实验结果及分析 | 第55-57页 |
| ·本章小结 | 第57-58页 |
| 第七章 总结与展望 | 第58-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 在读期间发表的论文 | 第68页 |
