logo
教育论文中心  教育论文中心   广告服务  广告服务   论文搜索  论文搜索   论文发表  论文发表   会员专区  会员专区   在线购卡   在线购卡   服务帮助  服务帮助   联系我们  联系我们   网站地图  网站地图   硕士论文  会员专区   博士论文
当前位置:教育论文中心首页--博士论文--非稀疏多核支持向量机学习方法研究
博硕论文分类列表
工业技术 交通运输 农业科学
生物科学 航空航天 历史地理
医学卫生 语言文字 环境科学
综合图书 政治法律 社会科学
马列主义、毛泽东思想 艺术
数理科学和化学 文学
天文学、地理科学 军事
文化科学、教育体育 经济
自然科学总论 哲学
查看更多分类
 
论文搜索
 
 
相关论文
支持向量学习算法若干问题的研究
小波支持向量在发酵过程中的应用
模糊孪生支持向量的改进及其求解
基于统计学习的分类方法及在Web
基于统计学习理论的支持向量算法
模糊支持张量机理论研究与应用
简化多核支持向量研究
基于改进的多核支持向量的医学图
基于边界向量样本的支持向量分类机
平行平面支持向量及特征提取中
平行超平面支持向量研究
模糊孪生支持向量分类算法及其应
加权模糊支持向量及其应用研究
基于偏二叉树双支持向量的遥感图
支持向量及半监督学习中若干问题
双重正则化支持向量的一种全局线
超球体多类支持向量及其在DDo
基于超球体多类支持向量的高光谱
支持向量算法研究
基于支持向量的入侵检测研究
鲁棒支持向量研究
最小二乘双支持向量的两种拓展及
局部支持向量研究
基于双子支持向量的航空发动机故
多维输出支持向量回归若干研究
物体检测技术和半定规划松弛的聚类
基于判别公共矢量的模式识别技术及
支持向量支持向量域描述的若干
快速支持向量算法研究
支持向量方法及其在机载毫米波雷
支持向量在工程领域的应用研究
核机器学习方法若干问题研究
基于最大间隔聚类算法的SVM反问
求解分类问题的支持向量方法与应
基于极限向量的风电功率预测方法
带有不确定输入的支持向量研究
支持向量的特征选择和模糊支持
基于支持向量的故障诊断及应用研
基于支持向量数据描述的分类识别算
基于分形理论和支持向量的齿轮箱
基于多核模糊LS-SVM的广义预
基于结构磁共振成像的自闭症预测研
混沌时间序列的预测与改进方法研究
基于SVM的电信客户欺诈检测技术
关于模式识别中大样本分类技术的几
关于支持向量方法的几点研究
基于支持向量和单类支持向量
正定核机器回归方法的改进研究
多类别智能分类器方法研究
基于IFD与SVM的滚动轴承故障
半监督支持向量学习方法研究
粒度支持向量学习方法研究
基于多维关联规则的粒度支持向量
结构化支持向量学习方法及应用研
支持向量在热工对象建模中的应用
最小二乘支持向量及其在图像增强
单分类支持向量学习方法研究
基于机器学习的入侵检测系统的研究
半监督支持向量学习方法研究
基于支持向量的半监督式分类学习
基于直推式学习和迁移学习方法改进
凸在线支持向量研究与应用
支持向量的若干算法研究
耦合的支持向量学习方法及应用研究
基于结构信息的支持向量模型和算
最小二乘支持向量稀疏化算法的改
近似支持向量参数选择及稀疏度的
支持向量研究及其在人脸检测中的
基于动态神经网络的支持向量的F
基于支持向量的多用户检测算法、
模糊支持向量在人脸识别中的应用
三胞支持向量研究
基于支持向量的网络流量分类检测
基于最小二乘支持向量的非线性广
灰色神经网络与支持向量预测模型
支持向量在EIT正逆问题中的应
基于支持向量的垃圾邮件过滤技术
核空间中的平分最近点法与模糊支持
基于支持向量的交通安全预测模型
超球结构支持向量研究与应用
支持向量学习算法的研究
基于支持向量的真实头模型三维重
基于支持向量的水中目标识别技术
基于聚类和模糊支持向量的变压器
 
科目列表
市场营销 管理理论 人力资源
电子商务 社会实践 先进教育
伦理道德 艺术理论 环境保护
农村研究 交通相关 烟草论文
电子电气 财务分析 融资决策
电影艺术 国学论文 材料工程
语文论文 数学论文 英语论文
政治论文 物理论文 化学论文
生物论文 美术论文 历史论文
地理论文 信息技术 班主任
音乐论文 体育论文 劳技论文
自然论文 德育管理 农村教育
素质教育 三个代表 旅游管理
国际贸易 哲学论文 工商管理
证券金融 社会学 审计论文
会计论文 建筑论文 电力论文
水利论文 园林景观 农林学
中医学 西医学 心理学
公安论文 法学法律 思想汇报
法律文书 总结报告 演讲稿
物业管理 经济学 论文指导
计算机 护理论文 社会调查
军事论文 化工论文 财政税收
保险论文 物流论文 语言教育
教育教学 给水排水 暖通论文
结构论文 综合类别 硕士论文
博士论文    
 
 
非稀疏多核支持向量机学习方法研究
 
     论文目录
 
摘要第11-13页
ABSTRACT第13-15页
第1章 绪论第16-32页
    1.1 研究背景第16-18页
    1.2 支持向量机第18-23页
        1.2.1 硬间隔SVM第18-20页
        1.2.2 软间隔SVM第20-22页
        1.2.3 非线性可分SVM第22-23页
    1.3 SVM的优化算法第23-24页
    1.4 SVM的最新研究第24-27页
        1.4.1 孪生SVM第24-25页
        1.4.2 基于散布估计的SVM第25-26页
        1.4.3 粒度SVM第26-27页
    1.5 统计理论相关概念第27-29页
        1.5.1 VC维第27页
        1.5.2 经验风险与结构风险第27-28页
        1.5.3 结构风险最小化原则第28-29页
    1.6 研究目的、意义及主要工作第29-32页
        1.6.1 研究目的及意义第29页
        1.6.2 主要工作第29-30页
        1.6.3 章节安排第30-32页
第2章 多核学习方法第32-44页
    2.1 引言第32页
    2.2 核方法第32-35页
        2.2.1 核函数的构造第33-34页
        2.2.2 再生属性和表示理论第34页
        2.2.3 常用核函数第34-35页
        2.2.4 Gram矩阵第35页
    2.3 多核学习及优化策略第35-42页
        2.3.1 基本核函数的合成第36-37页
        2.3.2 基于相似性度量的多核学习第37-39页
        2.3.3 基于结构风险最小化的多核学习第39-42页
        2.3.4 启发式多核学习第42页
        2.3.5 Boosting集成方法第42页
    2.4 本章小结第42-44页
第3章 基于原问题求解的非稀疏多核学习第44-65页
    3.1 引言第44-45页
    3.2 多核学习的原问题第45-47页
    3.3 拟牛顿法SUBLBFGS第47-50页
        3.3.1 拟牛顿法第47-48页
        3.3.2 subLBFGS算法第48-50页
    3.4 QN-MKL算法设计第50-54页
        3.4.1 优化α第51-52页
        3.4.2 优化组合系数θ第52-53页
        3.4.3 算法描述第53-54页
        3.4.4 时间复杂度分析第54页
    3.5 实验分析第54-64页
        3.5.1 数据集第54-55页
        3.5.2 参数设置第55页
        3.5.3 性能比较第55-59页
        3.5.4 P对泛化性能的影响第59页
        3.5.5 训练时间比较第59-60页
        3.5.6 组合系数θ的收敛趋势第60-62页
        3.5.7 λ对分类性能的影响第62-63页
        3.5.8 P对组合系数θ的影响第63-64页
        3.5.9 基本核的可扩展性第64页
    3.6 本章小结第64-65页
第4章 非稀疏多核半监督支持向量机第65-84页
    4.1 引言第65-66页
    4.2 半监督SVM的基本问题第66-67页
    4.3 半监督SVM的优化第67-70页
        4.3.1 局部组合搜索法S~3VM~(light)第68页
        4.3.2 凹凸法TSVM~(CCCP)第68-69页
        4.3.3 LapSVM第69-70页
    4.4 非稀疏多核半监督支持向量机第70-76页
        4.4.1 目标函数第70-72页
        4.4.2 求解f_m第72-74页
        4.4.3 求解θ_m第74-75页
        4.4.4 算法描述第75-76页
        4.4.5 时间复杂度分析第76页
    4.5 实验分析第76-82页
        4.5.1 数据集第77-78页
        4.5.2 实验设置第78-79页
        4.5.3 Transductive实验第79-81页
        4.5.4 Inductive实验第81-82页
    4.6 本章小结第82-84页
第5章 非稀疏多核支持向量回归第84-98页
    5.1 引言第84页
    5.2 SVR简介第84-87页
        5.2.1 LSSVR第85页
        5.2.2 ε-SVR第85-86页
        5.2.3 v-SVR第86-87页
    5.3 非稀疏多核SVR第87-88页
    5.4 优化目标函数第88-91页
    5.5 实验分析第91-96页
        5.5.1 实验设置第91页
        5.5.2 人工数据集上的实验第91-93页
        5.5.3 真实数据集上的实验第93-95页
        5.5.4 不同范数约束P对泛化性能的影响第95-96页
    5.6 本章小结第96-98页
第6章 基于BOOSTING框架的非稀疏多核学习第98-106页
    6.1 引言第98-99页
    6.2 基于BOOSTING框架的非稀疏多核学习方法第99-101页
        6.2.1 算法描述第99-101页
        6.2.2 强分类器的表示第101页
        6.2.3 时间复杂度分析第101页
    6.3 实验分析第101-105页
        6.3.1 实验设置第102页
        6.3.2 性能比较第102-103页
        6.3.3 迭代次数T对分类精度的影响第103-104页
        6.3.4 迭代次数与非0系数核个数之间的关系第104-105页
    6.4 本章小结第105-106页
第7章 总结与展望第106-110页
    7.1 总结第106-107页
    7.2 研究展望第107-110页
参考文献第110-124页
攻读博士学位期间的科研成果第124-126页
致谢第126页

 
 
论文编号BS4011323,这篇论文共126
会员购买按0.35元/页下载,共需支付44.1元。        直接购买按0.5元/页下载,共需要支付63元 。
我还不是会员,注册会员
会员下载更优惠!充值送钱!
我只需要这篇,无需注册!
直接网上支付,方便快捷!
 您可能感兴趣的论文
版权申明:本目录由www.jylw.com网站制作,本站并未收录原文,如果您是作者,需要删除本篇论文目录请通过QQ或其它联系方式告知我们,我们承诺24小时内删除。
 
 
| 会员专区 | 在线购卡 | 广告服务 | 网站地图 |
版权所有 教育论文中心 Copyright(C) All Rights Reserved
联系方式: QQ:277865656 或写信给我