首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文--自动推理、机器学习论文

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

论文共52页,点击 下载论文
上一篇:基于机器学习的沉浸式针灸训练系统
下一篇:基于WebGL的矿山数字化应用平台的设计与实现