基于统计学习理论的支持向量机算法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 1 绪论 | 第11-35页 |
| 1．1 机器学习问题 | 第11-15页 |
| 1．2 统计学习理论 | 第15-16页 |
| 1．3 统计学习理论的发展历程 | 第16-24页 |
| 1．4 支持向量机算法的提出和研究现状 | 第24-32页 |
| 1．5 课题来源、目的及意义 | 第32-33页 |
| 1．6 论文内容安排 | 第33-35页 |
| 2 基于不等距分类超平面的支持向量机算法 | 第35-54页 |
| 2．1 引言 | 第35页 |
| 2．2 最优化理论的基础定理 | 第35-39页 |
| 2．3 支持向量机 | 第39-47页 |
| 2．4 特征空间及核函数 | 第47-48页 |
| 2．5 NM-SVM 算法 | 第48-53页 |
| 2．6 本章小结 | 第53-54页 |
| 3 多输出支持向量回归研究 | 第54-65页 |
| 3．1 ε不敏感损失函数 | 第54-55页 |
| 3．2 线性回归基本解 | 第55-59页 |
| 3．3 非线性函数的回归 | 第59-60页 |
| 3．4 MO-SVR 算法 | 第60-64页 |
| 3．5 小节 | 第64-65页 |
| 4 支持向量机训练算法研究 | 第65-76页 |
| 4．1 引言 | 第65-66页 |
| 4．2 现有的支持向量机训练算法 | 第66-68页 |
| 4．3 粒子群优化算法 | 第68-71页 |
| 4．4 利用PSO 训练SVM | 第71-74页 |
| 4．5 仿真实验 | 第74-75页 |
| 4．6 本章小节 | 第75-76页 |
| 5 支持向量机大规模样本数据的预处理 | 第76-83页 |
| 5．1 引言 | 第76页 |
| 5．2 RS 知识约简方法 | 第76-79页 |
| 5．3 RS 与SVM 的特点及两者的结合模型 | 第79-81页 |
| 5．4 实例 | 第81-82页 |
| 5．5 本章小节 | 第82-83页 |
| 6 支持向量机多值分类算法研究 | 第83-97页 |
| 6．1 引言 | 第83页 |
| 6．2 现有的多类SVM 方法 | 第83-86页 |
| 6．3 基于二叉树的多类SVM | 第86-93页 |
| 6．4 实验 | 第93-96页 |
| 6．5 本章小结 | 第96-97页 |
| 7 支持向量机的应用研究 | 第97-111页 |
| 7．1 基于支持向量机的储粮害虫声音识别 | 第97-103页 |
| 7．2 支持向量回归用于测量数据点的曲面拟合 | 第103-110页 |
| 7．3 本章小结 | 第110-111页 |
| 8 总结与展望 | 第111-114页 |
| 8．1 全文总结 | 第111-113页 |
| 8．2 研究展望 | 第113-114页 |
| 致谢 | 第114-115页 |
| 参考文献 | 第115-127页 |
| 附录攻读博士学位期间发表的论文目录 | 第127页 |
