文摘
英文文摘
第一章 绪论
1.1 选题背景
1.2 支持向量机的研究现状
1.2.1 SVM的训练算法
1.2.2 SVM多分类方法
1.2.3 SVM的应用研究
1.3 本文的研究内容
1.4 本文的结构安排
第二章 支持向量机理论概述
2.1 统计学习理论简介
2.1.1 学习的一致性问题
2.1.2 VC维
2.1.3 推广性的界
2.1.4 结构风险最小化
2.2 支持向量机
2.2.1 SVM的相关数学基础
2.2.2 最优分类超平面
2.2.3 线性可分情况
2.2.4 线性不可分情况
2.3 SVM核函数及模型选择
2.3.1 核函数
2.3.2 SVM模型选择
2.4 特征选择
2.5 本章小结
第三章 基于二分类器的多分类算法
3.1 常见多分类算法介绍
3.1.1 一对多SVM算法(One-against-all,OAA)
3.1.2 一对一SVM分类算法(One-against-one,OAO)
3.1.3 有向无环图多分类算法(Directed Acyclic Graph,DAG)
3.1.4 纠错输出编码方法(Error Correcting Output Codes,ECOC)
3.1.5 DECOC方法
3.2 一种基于拓扑保持输出编码的多分类算法
3.2.1 TPOC分类思想
3.2.2 TPOC的特性
3.3 本章小结
第四章 基于二分类SVM多分类算法比较
4.1 分类思想分析
4.2 算法复杂度比较
4.3 纠错能力分析
4.4 本章小结
第五章 实验与结果分析
5.1 实验数据与实验环境
5.2 LIBSVM工具包简介
5.3 LIBSVM使用方法简介
5.4 实验结果与分析
5.4.1 在iris数据集上的实验
5.4.2 在NCI数据集上的实验
5.4.3 在ISOLET数据集上的实验
5.4.4 实验总结
5.5 本章小结
第六章 总结与展望
致谢
参考文献
西安电子科技大学;