论文目录 | |
| 摘要 | 第1-7
页 |
| ABSTRACT | 第7-14
页 |
| 第一章 绪论 | 第14-22
页 |
| · 引言 | 第14
页 |
| · 竞争学习网络及其向量量化的研究背景及现状 | 第14-16
页 |
| · 竞争学习 | 第14-15
页 |
| · 学习向量量化 | 第15-16
页 |
| · 统计学习理论及其SVM 研究背景及现状 | 第16-20
页 |
| · 统计学习理论的发展 | 第16-17
页 |
| · SVM 的算法研究 | 第17-19
页 |
| · SVM 的应用研究 | 第19
页 |
| · SVM 的核函数和模型选择研究 | 第19-20
页 |
| · 本文工作及安排 | 第20-22
页 |
| 第二章 竞争学习网络及广义学习向量量化 | 第22-36
页 |
| · 学习理论及自组织系统 | 第22-25
页 |
| · 通用学习方程 | 第22-23
页 |
| · 自组织学习 | 第23
页 |
| · 竞争学习 | 第23-24
页 |
| · 自组织特征映射(Self-Organizing Feature Map, SOFM) | 第24-25
页 |
| · 向量量化及广义学习向量量化 | 第25-28
页 |
| · 学习向量量化(Learning VQ, LVQ) | 第25-27
页 |
| · 广义向量量化 | 第27
页 |
| · 模糊学习量化算法 | 第27-28
页 |
| · 一个新的竞争网络学习算法 | 第28-32
页 |
| · 修正的广义学习向量量化算法 | 第28-29
页 |
| · 模糊修正广义学习量化 | 第29-30
页 |
| · 实验比较 | 第30-32
页 |
| · 一种提高学习向量量化算法性能的新方法 | 第32-35
页 |
| · 引言 | 第32-33
页 |
| · 提高竞争网络性能的新措施 | 第33-34
页 |
| · 实验仿真 | 第34-35
页 |
| · 小结与讨论 | 第35-36
页 |
| 第三章 支持向量机的基本理论和几何特性研究 | 第36-54
页 |
| · 监督学习和统计学习理论 | 第36-39
页 |
| · 监督机器学习问题 | 第36-38
页 |
| · 统计学习理论 | 第38-39
页 |
| · SVM 的基本理论 | 第39-43
页 |
| · 学习过程一致性的条件 | 第39-40
页 |
| · 学习过程收敛率的界 | 第40-41
页 |
| · 结构风险最小化 | 第41-43
页 |
| · 支持向量机模型 | 第43-47
页 |
| · ?-间隔分类超平面 | 第43-44
页 |
| · 确定最优分类超平面 | 第44-45
页 |
| · 推广到线性不可分情形 | 第45
页 |
| · 核函数和非线性问题 | 第45-47
页 |
| · 常用核函数举例 | 第47
页 |
| · 一种推导SVM 的直观方法——FISHER 投影方法 | 第47-52
页 |
| · Fisher 线性判别法 | 第48-49
页 |
| · 利用Fisher 投影构造最优分类超平面 | 第49-51
页 |
| · 模拟实验 | 第51
页 |
| · 小结 | 第51-52
页 |
| · 结束语 | 第52-54
页 |
| 第四章 标准支持向量机算法研究 | 第54-78
页 |
| · 标准支持向量机问题简介 | 第54-56
页 |
| · 标准SVM 问题 | 第54-55
页 |
| · 经典求解算法 | 第55-56
页 |
| · 低维NEWTON 算法 | 第56-61
页 |
| · 算法与分析 | 第56-59
页 |
| · 数值模拟实验 | 第59-61
页 |
| · 结论 | 第61
页 |
| · 训练支持向量机的极大熵方法 | 第61-68
页 |
| · SVM 的无约束对偶问题及其熵近似函数的性质 | 第61-63
页 |
| · SVM 的ε-最优解 | 第63-65
页 |
| · 算法及分析 | 第65-66
页 |
| · 数值模拟实验 | 第66-68
页 |
| · 结论 | 第68
页 |
| · 训练支持向量机的HUBER 近似算法 | 第68-77
页 |
| · 引言 | 第68
页 |
| · 二次规划的无约束对偶问题 | 第68-69
页 |
| · 对偶问题的Huber 近似及其性质 | 第69-72
页 |
| · 算法提出 | 第72-73
页 |
| · 算法分析 | 第73-74
页 |
| · 数值模拟实验 | 第74-77
页 |
| · 结论 | 第77
页 |
| · 结束语 | 第77-78
页 |
| 第五章 变形支持向量机算法研究(1)——CGSVM | 第78-94
页 |
| · 变形SVM 模型 | 第78-82
页 |
| · 引言 | 第78-79
页 |
| · 二次损失函数支持向量机 | 第79-80
页 |
| · 最小二乘支持向量机LS-SVM | 第80-81
页 |
| · Mangasarian 等的变形问题 | 第81
页 |
| · 广义支持向量机GSVM | 第81-82
页 |
| · 已有变形算法介绍 | 第82-85
页 |
| · 连续超松弛算法SOR | 第82-83
页 |
| · 光滑支持向量机SSVM | 第83-84
页 |
| · Lagrange 支持向量机LSVM | 第84-85
页 |
| · 共轭梯度型支持向量机(CGSVM) | 第85-89
页 |
| · 线性变形SVM 的无约束Lagrangian 对偶 | 第85-87
页 |
| · 非线性问题无约束Lagrangian 对偶 | 第87
页 |
| · CGSVM 算法 | 第87-88
页 |
| · 精确线搜索 | 第88-89
页 |
| · 算法实现与实验 | 第89-92
页 |
| · 线性分类实验 | 第89-90
页 |
| · 非线性分类实验 | 第90-92
页 |
| · 复杂度分析 | 第92
页 |
| · 结束语 | 第92-94
页 |
| 第六章 变形支持向量机算法研究(2)——ESNSVM | 第94-106
页 |
| · SVM 及其变形问题介绍 | 第94-95
页 |
| · 引言 | 第94
页 |
| · 二次损失函数变形及其Mangasarian 的变形 | 第94-95
页 |
| · 半光滑方法 | 第95-98
页 |
| · 半光滑(Semi-smooth)方法介绍 | 第95-97
页 |
| · 半光滑SVM | 第97-98
页 |
| · 精确半光滑SVM | 第98-102
页 |
| · 变形SVM 的无约束Lagrange 对偶问题 | 第98-99
页 |
| · 算法提出 | 第99-100
页 |
| · 算法收敛性 | 第100
页 |
| · 广义Jacobian 矩阵B_k的计算和迭代更新 | 第100-101
页 |
| · 基于“二分查找”的精确线搜索 | 第101-102
页 |
| · 实验仿真 | 第102-105
页 |
| · 与算法LSVM 的实验比较 | 第102-104
页 |
| · ESNSVM 与半光滑算法Semismooth-SVM 的比较分析 | 第104-105
页 |
| · 结束语 | 第105-106
页 |
| 第七章 支持向量机的几何算法研究——新的可行方向算法 | 第106-126
页 |
| · SVM 的几何解释 | 第106-110
页 |
| · SVM 介绍 | 第106-107
页 |
| · C-SVM 的几何解释 | 第107-109
页 |
| · v-SVM 的几何解释 | 第109-110
页 |
| · 几何算法介绍 | 第110-113
页 |
| · Keerthi 等的最近点(Nearest Point)算法 | 第110-111
页 |
| · Franc 和Hlavác的S-K 算法 | 第111-113
页 |
| · 一个新的可行方向算法 | 第113-123
页 |
| · S-K 算法分析 | 第113-115
页 |
| · 新的可行方向算法 | 第115-117
页 |
| · 收敛性分析 | 第117-119
页 |
| · 停止条件 | 第119-121
页 |
| · 推广处理不可分问题 | 第121-123
页 |
| · 试验与分析 | 第123-125
页 |
| · 结束语 | 第125-126
页 |
| 第八章 支持向量机的核函数和模型选择研究 | 第126-138
页 |
| · 引言 | 第126-127
页 |
| · 一类新的核函数 | 第127-132
页 |
| · 高斯核函数的性能分析 | 第127-130
页 |
| · 一个新的核函数及其性能分析 | 第130-132
页 |
| · 核参数选择分析 | 第132-135
页 |
| · 距离判别准则 | 第132-133
页 |
| · 夹角判别准则 | 第133-134
页 |
| · 混合策略 | 第134-135
页 |
| · 实验仿真 | 第135-136
页 |
| · 结论 | 第136-138
页 |
| 第九章 总结与展望 | 第138-140
页 |
| 参考文献 | 第140-152
页 |
| 致谢 | 第152-154
页 |
| 读博士期间的研究论文和参加的科研项目 | 第154-155
页 |
