| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 引言 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 本文研究内容 | 第13-14页 |
| 1.4 本文组织结构 | 第14-15页 |
| 第2章 基于支持向量机的求解方法 | 第15-23页 |
| 2.1 支持向量机 | 第15-16页 |
| 2.2 随机梯度下降算法 | 第16-19页 |
| 2.2.1 梯度下降算法 | 第16页 |
| 2.2.2 随机梯度下降算法 | 第16-17页 |
| 2.2.3 随机梯度下降算法求解标准SVM问题 | 第17-19页 |
| 2.3 对偶坐标下降算法 | 第19-22页 |
| 2.3.1 对偶坐标下降算法 | 第19页 |
| 2.3.2 对偶坐标下降算法求解SVM问题 | 第19-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 基于改进损失函数的支持向量机方法 | 第23-32页 |
| 3.1 常见的几种损失函数 | 第23-24页 |
| 3.2 针对解决含有噪声数据集的改进损失函数 | 第24-26页 |
| 3.3 几种方法的实验比较 | 第26-31页 |
| 3.3.1 数据集 | 第27页 |
| 3.3.2 实验结果 | 第27-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 基于熵加权与改进损失函数结合方法 | 第32-41页 |
| 4.1 加权算法的研究与求解 | 第32-36页 |
| 4.1.1 基于熵加权方法 | 第32-33页 |
| 4.1.2 采用随机梯度下降算法求解基于熵加权支持向量机目标函数 | 第33-35页 |
| 4.1.3 基于熵对改进损失函数的SVM目标函数加权方法 | 第35-36页 |
| 4.2 几种方法的实验比较 | 第36-40页 |
| 4.2.1 数据集 | 第36-38页 |
| 4.2.2 实验结果 | 第38-40页 |
| 4.3 本章小结 | 第40-41页 |
| 第5章 结论与展望 | 第41-42页 |
| 5.1 结论 | 第41页 |
| 5.2 展望 | 第41-42页 |
| 参考文献 | 第42-46页 |
| 致谢 | 第46页 |