| 摘要 | 第1-7页 |
| ABSTRACT | 第7-14页 |
| 第一章 绪论 | 第14-34页 |
| ·引言 | 第14-15页 |
| ·SVM 研究背景及现状 | 第15-25页 |
| ·机器学习的发展概述 | 第15-17页 |
| ·SVM 的理论基础—统计学习理论 | 第17-20页 |
| ·SVM 的原理及研究现状 | 第20-25页 |
| ·半监督学习的研究背景和现状 | 第25-31页 |
| ·半监督学习的发展起源 | 第25-27页 |
| ·半监督学习的发展现状和几种主要方法 | 第27-31页 |
| ·半监督学习的应用现状 | 第31页 |
| ·全文的主要研究内容和安排 | 第31-34页 |
| 第二章 基于壳向量和中心向量的 SVM | 第34-48页 |
| ·引言 | 第34-35页 |
| ·中心支持向量机简介 | 第35-38页 |
| ·利用壳向量和中心向量建立 SVM | 第38-42页 |
| ·壳向量 | 第38-40页 |
| ·中心向量 | 第40-41页 |
| ·基于壳向量和中心向量的 SVM 学习算法 | 第41-42页 |
| ·实验结果及分析比较 | 第42-46页 |
| ·模拟数据的实验结果及分析 | 第42-44页 |
| ·真实数据的实验结果及分析 | 第44-46页 |
| ·本章小结 | 第46-48页 |
| 第三章 不平衡最小二乘支持向量机 | 第48-58页 |
| ·引言 | 第48-49页 |
| ·分类器性能评价的标准 | 第49-50页 |
| ·最小二乘支持向量机(LSSVM)简介 | 第50-51页 |
| ·不平衡最小二乘支持向量机(ILSSVM)算法 | 第51-54页 |
| ·理论分析 | 第51页 |
| ·ILSSVM 的模型建立 | 第51-54页 |
| ·数值实验 | 第54-56页 |
| ·本章小结 | 第56-58页 |
| 第四章 2ν? SSPC—一种不平衡数据分类的方法 | 第58-68页 |
| ·引言 | 第58页 |
| ·SSPC 简介 | 第58-61页 |
| ·2ν?SSPC 算法 | 第61-66页 |
| ·2ν?SSPC 的优化模型 | 第61-62页 |
| ·2ν?SSPC 的性质 | 第62-65页 |
| ·不平衡数据分离中2ν?SSPC 的参数选择方法 | 第65-66页 |
| ·实验结果和分析 | 第66-67页 |
| ·本章小结 | 第67-68页 |
| 第五章 改进的渐进直推式支持向量机算法 | 第68-86页 |
| ·引言 | 第68-69页 |
| ·直推式支持向量机(TSVM)算法简介 | 第69-70页 |
| ·渐进直推式支持向量机(TSVM)算法简介 | 第70-71页 |
| ·改进的渐进直推式支持向量机(TSVM)的学习算法(1)—IPTSVM | 第71-75页 |
| ·IPTSVM 算法的成对标注法 | 第72-73页 |
| ·IPTSVM 算法的增量学习算法 | 第73-74页 |
| ·IPTSVM 算法的主要步骤 | 第74-75页 |
| ·改进的渐进直推式支持向量机(TSVM)的学习算法(2)—RPTSVM | 第75-79页 |
| ·支持向量域描述(SVDD) | 第76-77页 |
| ·基于 SVDD 的可信度函数设计及基于可信度的区域标注法 | 第77-78页 |
| ·RPTSVM 算法的步骤 | 第78-79页 |
| ·实验结果和分析 | 第79-84页 |
| ·模拟数据集上的实验 | 第79-82页 |
| ·Reuters 数据集上的实验 | 第82-84页 |
| ·本章小结 | 第84-86页 |
| 第六章 支持向量机的一种推广算法的直推式学习 | 第86-96页 |
| ·引言 | 第86-87页 |
| ·基于一个球的模式分类的渐进直推式学习算法(SSPCPT) | 第87-91页 |
| ·SSPCPT 简介 | 第87-90页 |
| ·SSPCPT 算法步骤 | 第90-91页 |
| ·多类分类的SSPCPT | 第91页 |
| ·实验及结果分析 | 第91-95页 |
| ·人造数据集上的实验 | 第91-93页 |
| ·真实数据集上的实验 | 第93-95页 |
| ·本章小结 | 第95-96页 |
| 第七章 半监督野点探测问题 | 第96-112页 |
| ·引言 | 第96-97页 |
| ·FCM,RCM,FRCM 的简介 | 第97-102页 |
| ·FCM 简介 | 第97-99页 |
| ·RCM 简介 | 第99-101页 |
| ·FRCM 简介 | 第101-102页 |
| ·FRSSOD 算法 | 第102-107页 |
| ·FRSSOD 算法由来 | 第102-103页 |
| ·FRSSOD 算法描述 | 第103-104页 |
| ·FRSSOD 算法步骤及分析 | 第104-107页 |
| ·实验及结果分析 | 第107-111页 |
| ·人造数据集上的实验 | 第107-109页 |
| ·真实数据集上的实验 | 第109-111页 |
| ·本章小结 | 第111-112页 |
| 结束语 | 第112-114页 |
| 参考文献 | 第114-126页 |
| 致谢 | 第126-128页 |
| 攻读博士学位期间的研究成果 | 第128-129页 |
| 参加的科研项目 | 第129-130页 |
