|
|
|
基于统计学习理论的支持向量机算法研究 |
|
论文目录 |
|
摘要 | 第1-6页 | Abstract | 第6-11页 | 1 绪论 | 第11-35页 | 1.1 机器学习问题 | 第11-15页 | 1.2 统计学习理论 | 第15-16页 | 1.3 统计学习理论的发展历程 | 第16-24页 | 1.4 支持向量机算法的提出和研究现状 | 第24-32页 | 1.5 课题来源、目的及意义 | 第32-33页 | 1.6 论文内容安排 | 第33-35页 | 2 基于不等距分类超平面的支持向量机算法 | 第35-54页 | 2.1 引言 | 第35页 | 2.2 最优化理论的基础定理 | 第35-39页 | 2.3 支持向量机 | 第39-47页 | 2.4 特征空间及核函数 | 第47-48页 | 2.5 NM-SVM 算法 | 第48-53页 | 2.6 本章小结 | 第53-54页 | 3 多输出支持向量回归研究 | 第54-65页 | 3.1 ε不敏感损失函数 | 第54-55页 | 3.2 线性回归基本解 | 第55-59页 | 3.3 非线性函数的回归 | 第59-60页 | 3.4 MO-SVR 算法 | 第60-64页 | 3.5 小节 | 第64-65页 | 4 支持向量机训练算法研究 | 第65-76页 | 4.1 引言 | 第65-66页 | 4.2 现有的支持向量机训练算法 | 第66-68页 | 4.3 粒子群优化算法 | 第68-71页 | 4.4 利用PSO 训练SVM | 第71-74页 | 4.5 仿真实验 | 第74-75页 | 4.6 本章小节 | 第75-76页 | 5 支持向量机大规模样本数据的预处理 | 第76-83页 | 5.1 引言 | 第76页 | 5.2 RS 知识约简方法 | 第76-79页 | 5.3 RS 与SVM 的特点及两者的结合模型 | 第79-81页 | 5.4 实例 | 第81-82页 | 5.5 本章小节 | 第82-83页 | 6 支持向量机多值分类算法研究 | 第83-97页 | 6.1 引言 | 第83页 | 6.2 现有的多类SVM 方法 | 第83-86页 | 6.3 基于二叉树的多类SVM | 第86-93页 | 6.4 实验 | 第93-96页 | 6.5 本章小结 | 第96-97页 | 7 支持向量机的应用研究 | 第97-111页 | 7.1 基于支持向量机的储粮害虫声音识别 | 第97-103页 | 7.2 支持向量回归用于测量数据点的曲面拟合 | 第103-110页 | 7.3 本章小结 | 第110-111页 | 8 总结与展望 | 第111-114页 | 8.1 全文总结 | 第111-113页 | 8.2 研究展望 | 第113-114页 | 致谢 | 第114-115页 | 参考文献 | 第115-127页 | 附录攻读博士学位期间发表的论文目录 | 第127页 |
|
|
|
|
论文编号BS1101109,这篇论文共127页 会员购买按0.35元/页下载,共需支付44.45元。 直接购买按0.5元/页下载,共需要支付63.5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! |
|
|
|
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。 |
|
|