| 摘要 | 第1-8页 |
| Abstract | 第8-9页 |
| 插图索引 | 第9-10页 |
| 附表索引 | 第10-11页 |
| 第1章 绪论 | 第11-16页 |
| ·研究背景与意义 | 第11-12页 |
| ·国内外研究现状 | 第12-14页 |
| ·本文的研究内容和组织结构 | 第14-16页 |
| 第2章 支持向量机(SVM)概述 | 第16-33页 |
| ·支持向量机 | 第16-24页 |
| ·机器学习的基本问题 | 第16-19页 |
| ·统计学习理论的核心内容 | 第19-24页 |
| ·支持向量机中的核函数 | 第24页 |
| ·常用训练算法及其快速算法 | 第24-27页 |
| ·块算法 | 第25页 |
| ·固定工作样本集算法 | 第25-27页 |
| ·多类SVM | 第27-28页 |
| ·分解法 | 第27-28页 |
| ·决策树分类法 | 第28页 |
| ·直推法 | 第28页 |
| ·变形算法 | 第28-30页 |
| ·v—SVM | 第29-30页 |
| ·加权SVM | 第30页 |
| ·模糊SVM | 第30页 |
| ·模型选择 | 第30-32页 |
| ·单一验证估计 | 第31页 |
| ·留一法 | 第31页 |
| ·k遍交叉验证法 | 第31-32页 |
| ·基于样本相似度的方法 | 第32页 |
| ·小结 | 第32-33页 |
| 第3章 C-SVM在不同类别样本数目不均衡下的优化 | 第33-38页 |
| ·C支持向量机 | 第33-35页 |
| ·针对不同类样本的不同加权优化算法 | 第35-36页 |
| ·数值实验分析 | 第36-37页 |
| ·小结 | 第37-38页 |
| 第4章 基于遗传算法的参数选择 | 第38-53页 |
| ·遗传算法概述 | 第38-48页 |
| ·遗传算法引言 | 第38页 |
| ·理论与技术 | 第38-45页 |
| ·遗传算法的应用 | 第45-48页 |
| ·GA小结 | 第48页 |
| ·基于遗传算法的支持向量机参数优化 | 第48-52页 |
| ·支持向量机参数 | 第48-49页 |
| ·支持向量机参数对分类精度的影响 | 第49-51页 |
| ·基于遗传算法的支持向量机参数优化自适应算法 | 第51-52页 |
| ·小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-61页 |
| 致谢 | 第61-62页 |
| 附录A 攻读学位期间所发表的学术论文及科研活动 | 第62页 |