基于支持向量机的增量学习研究与实现
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 前言 | 第9-15页 |
| 1.1 课题背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 支持向量机增量学习的国内外研究现状 | 第10-11页 |
| 1.2.2 支持向量机核函数国内外研究现状 | 第11-12页 |
| 1.3 论文研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第二章 网页分类技术综述 | 第15-31页 |
| 2.1 文本自动分类算法的类型 | 第15-16页 |
| 2.2 网页分类的基本过程 | 第16-23页 |
| 2.2.1 网页信息抽取 | 第16-18页 |
| 2.2.2 分词技术简介 | 第18-19页 |
| 2.2.3 特征选取技术 | 第19-20页 |
| 2.2.4 网页向量表示 | 第20页 |
| 2.2.5 常用网页分类算法 | 第20-22页 |
| 2.2.6 网页分类评价标准 | 第22-23页 |
| 2.3 SVM基本原理 | 第23-29页 |
| 2.3.1 SVM概述 | 第23页 |
| 2.3.2 SVM几何意义 | 第23-24页 |
| 2.3.3 SVM核函数的引入 | 第24页 |
| 2.3.4 SVM基本原理 | 第24-26页 |
| 2.3.5 SVM训练算法 | 第26-29页 |
| 2.4 支持向量机增量学习 | 第29-30页 |
| 2.4.1 基于KKT条件判断的增量学习 | 第29页 |
| 2.4.2 基于超平面距离的增量学习 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 基于超圆锥结构的增量学习算法HC-SVM | 第31-41页 |
| 3.1 HC-SVM算法 | 第31-33页 |
| 3.2 样本间的距离计算 | 第33-34页 |
| 3.2.1 线性空间内的距离计算 | 第33-34页 |
| 3.2.2 非线性空间的距离计算 | 第34页 |
| 3.3 基于HC-SVM的增量训练算法 | 第34-35页 |
| 3.4 实验与讨论 | 第35-40页 |
| 3.4.1 实验设计 | 第35-36页 |
| 3.4.2 实验环境 | 第36页 |
| 3.4.3 实验结果 | 第36-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 支持向量机核函数的优化 | 第41-48页 |
| 4.1 核函数的主要形式 | 第41-42页 |
| 4.2 核函数的构造与证明 | 第42-43页 |
| 4.3 加权值的确定 | 第43-44页 |
| 4.4 实验与讨论 | 第44-47页 |
| 4.4.1 实验设计 | 第44-45页 |
| 4.4.2 实验结果 | 第45-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第五章 网页分类实验系统 | 第48-58页 |
| 5.1 实验环境 | 第48-49页 |
| 5.2 系统结构 | 第49-53页 |
| 5.2.1 网页预处理 | 第49-52页 |
| 5.2.2 增量SVM训练模块 | 第52-53页 |
| 5.2.3 增量SVM分类模块 | 第53页 |
| 5.3 增量SVM系统运行及结果分析 | 第53-56页 |
| 5.3.1 运行流程 | 第53-56页 |
| 5.3.2 结果分析 | 第56页 |
| 5.4 本章小结 | 第56-58页 |
| 总结 | 第58-61页 |
| 主要工作 | 第58-59页 |
| 主要创新点 | 第59页 |
| 存在的问题及未来的方向 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 攻读硕士学位期间取得的学术成果 | 第66-67页 |
| 致谢 | 第67页 |
