| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 引言 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 泛化能力的估计 | 第9-10页 |
| 1.2.2 核方法的使用 | 第10页 |
| 1.2.3 SVM 的扩展 | 第10页 |
| 1.2.4 较常用的支持向量机算法 | 第10-12页 |
| 1.2.5 支持向量机应用的研究 | 第12-13页 |
| 1.3 本文内容安排 | 第13-14页 |
| 第二章 支持向量机理论概述 | 第14-21页 |
| 2.1 支持向量机原理 | 第14-15页 |
| 2.2 最优超平面 | 第15-17页 |
| 2.3 线性不可分支持向量机 | 第17页 |
| 2.4 非线性支持向量机 | 第17-19页 |
| 2.5 SVM 的泛化能力分析 | 第19-21页 |
| 第三章 支持向量数据描述理论 | 第21-30页 |
| 3.1 SVDD 理论基础 | 第21-26页 |
| 3.1.1 SVDD 原理 | 第21-23页 |
| 3.1.2 特征空间 | 第23-25页 |
| 3.1.3 SVDD 的特征 | 第25-26页 |
| 3.2 基于 SVDD 的分类问题研究 | 第26-28页 |
| 3.3 本章小结 | 第28-30页 |
| 第四章 基于 SVDD 的多类分类问题 | 第30-40页 |
| 4.1 用 SVDD 解决多类分类问题的必要性 | 第30-32页 |
| 4.2 解决基于 SVDD 多类分类问题的算法实现 | 第32-36页 |
| 4.2.1 核空间中两点距离的计算 | 第32-33页 |
| 4.2.2 算法设计原理 | 第33-34页 |
| 4.2.3 算法实现步骤 | 第34-35页 |
| 4.2.4 寻找分离面 | 第35-36页 |
| 4.3 实验及其结果分析 | 第36-38页 |
| 4.4 本章小结 | 第38-40页 |
| 第五章 总结与展望 | 第40-42页 |
| 5.1 总结 | 第40页 |
| 5.2 展望 | 第40-42页 |
| 参考文献 | 第42-45页 |
| 致谢 | 第45-46页 |
| 附录 攻读硕士学位期间发表的论文 | 第46-47页 |
| 详细摘要 | 第47-49页 |