大规模非线性支持向量机算法研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 问题的提出背景和研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文的主要工作和内容安排 | 第11-13页 |
| 第2章 基于随机梯度下降的支持向量机算法 | 第13-26页 |
| 2.1 基于SGD的支持向量分类算法 | 第13-22页 |
| 2.1.1 线性SVC | 第13-15页 |
| 2.1.2 核函数的引入 | 第15-17页 |
| 2.1.3 SGD算法简介 | 第17-18页 |
| 2.1.4 SGD算法在SVC中的应用 | 第18-20页 |
| 2.1.5 基于SGD算法的讨论 | 第20-22页 |
| 2.2 基于SGD的支持向量回归算法 | 第22-26页 |
| 2.2.1 SVR算法简介 | 第22-23页 |
| 2.2.2 SGD算法在SVR中的应用 | 第23-26页 |
| 第3章 大规模非线性支持向量分类算法改进 | 第26-36页 |
| 3.1 核函数的性质 | 第26-27页 |
| 3.2 基于核相似性的删减策略SRS | 第27-28页 |
| 3.3 结合SRS和预算策略的SVC | 第28-30页 |
| 3.4 SVC实验部分 | 第30-36页 |
| 3.4.1 数据集和实验算法 | 第30-31页 |
| 3.4.2 实验结果 | 第31-36页 |
| 第4章 大规模非线性支持向量回归算法改进 | 第36-45页 |
| 4.1 应用预算维护策略的非线性SVR | 第36-38页 |
| 4.2 应用SRS策略的非线性SVR | 第38-39页 |
| 4.3 SVR实验部分 | 第39-45页 |
| 4.3.1 实验设置 | 第39-40页 |
| 4.3.2 实验结果 | 第40-43页 |
| 4.3.3 算法比较 | 第43页 |
| 4.3.4 预算值的影响 | 第43-44页 |
| 4.3.5 实验总结 | 第44-45页 |
| 第5章 总结与展望 | 第45-47页 |
| 5.1 总结 | 第45页 |
| 5.2 展望 | 第45-47页 |
| 参考文献 | 第47-51页 |
| 发表论文和参加科研情况说明 | 第51-52页 |
| 致谢 | 第52页 |
