声明
第一章 绪论
1.1 研究的背景与意义
1.2 国内外研究现状
1.3本文的主要工作与创新点
1.4 本文主要的符号
1.5 本文主要内容与章节安排
第二章 支持向量机
2.1 引言
2.2 统计学习理论
2.2.1学习器的输入
2.2.2 学习器的输出
2.2.3 评价学习器的标准与学习器的优化
2.2.4 VC维
2.2.5 结构风险最小化
2.3 支持向量机
2.3.1 线性支持向量机
2.3.2 非线性支持向量机
2.4 核函数
2.4.1 核函数定义
2.4.2 核函数度量特征
2.4.3 常用的核函数类型
2.5 本章小结
第三章 样本先验信息特征描述
3.1 样本先验信息
3.2 样本先验信息几种常见的表现形式
3.2.1 本征维数
3.2.2 稀疏表示
3.2.3 样本分布特征
3.3 总结
第四章 基于图论的支持向量机核函数选择
4.1 引言
4.2 理论基础
4.3 算法框架
4.3.1 样本数据预处理
4.3.2 k邻域选取
4.3.3邻接矩阵的构造
4.3.4 本征维数估计
4.3.5 核函数类型选择
4.4 实验仿真与分析
4.4.1 实验仿真
4.4.2 样本数据对比试验分析
4.5 结束语
第五章 分形理论下支持向量机核函数选择
5.1 引言
5.2 理论基础
5.2.1 分形理论
5.2.2 自相似性与核函数
5.2.3 拉普拉斯映射
5.3 算法框架
5.3.1 数据预处理
5.3.2 信息熵计算
5.3.3 核矩阵构造
5.3.4 分形维数计算
5.3.5 核函数选择
5.3.6 算法验证
5.4 实例仿真与分析
5.4.1 实验仿真
5.4.2 实验结果分析
5.5 总结
第六章 基于分形理论的支持向量机人脸姿态分类
6.1 引言
6.2 五官点信息获取
6.3 实验与分析
6.3.1实验数据集
6.3.2对比实验与分析
6.4 总结
第七章 总结与展望
7.1 总结
7.2 展望
参考文献
致谢
攻读学位期间的研究成果
江西理工大学;