基于支持向量数据描述的分类算法研究

文摘

英文文摘

第一章 绪论

1.1 引言

1.2 国内外研究现状

1.2.1 支持向量机理论拓展

1.2.2 支持向量机算法研究

1.2.3 支持向量机应用研究

1.3 论文的组织结构

第二章 统计学习理论和支持向量机

2.1 统计学习理论

2.2.1 学习问题的表示

2.2.2 经验风险和结构风险的最小化

2.2.3 统计学习理论的核心内容

2.3 支持向量机

2.3.1 线性可分支持向量机

2.3.2 线性不可分支持向量机

2.4 非线性可分与核函数

2.5 序列最小优化算法

2.6 本章小结

第三章 支持向量数据描述

3.1 简介

3.2 硬间隔支持向量数据描述

3.2.1 原问题及对偶问题

3.2.2 二维人工数据模拟

3.3 软间隔支持向量数据描述

3.3.1 原问题及对偶问题

3.3.2 二维人工数据模拟

3.3.3 软间隔SVDD的惩罚值C取值分析

3.4 带负类支持向量数据描述(Negative-SVDD)

3.5 支持向量数据描述方法求解

3.5.1 工作集选取

3.5.2 停机条件的推导

3.5.3 规模为2问题的解析解(SMO解法)

3.6 本章小结

第四章 最大球心距的支持向量数据描述

4.1 引言

4.2 基于最大球心距的SVDD方法

4.2.1 问题表示

4.2.2 决策条件的选择

4.3 工作集选取、停机条件推导

4.4 规模为2的问题解析解

4.5 实验分析

4.5.1 人工数据模拟

4.5.2 K值的选取

4.5.3 真实数据实验

4.6 本章小结

第五章 环形间隔分类算法研究

5.1 引言

5.2 (Pattern Classification via Single Spheres,SSPC)算法

5.2.1 简介

5.2.2 二维数据模拟

5.3 二阶环形间隔分类算法(2-norm AMPCID)

5.3.1 模型表示

5.3.2 2-norm AMPCID1分类算法

5.3.3 2-norm AMPCID2分类算法

5.4 实验分析

5.5 本章小结

第六章 总结与展望

6.1 总结

6.2 展望

致谢

参考文献

附录 :