文摘
英文文摘
论文说明:图表目录
声明
第1章绪论
1.1课题背景及研究现状
1.2支持向量机回归的研究热点与难点
1.3论文的主要研究内容
1.4论文的结构
第2章统计学习理论和支持向量机回归算法
2.1统计学习理论
2.1.1统计学习理论的提出
2.1.2三种主要的学习问题
2.1.3经验风险最小化原则
2.1.4统计学习理论的核心内容
2.2支持向量机回归算法
2.2.1 SVM回归算法基本模型
2.2.2最小二乘支持向量机基本模型
2.3本章小结
第3章大规模数据集下的样本约简算法
3.1引言
3.2大规模回归数据集的样本预处理算法
3.2.1基于普通K均值聚类的数据预处理算法
3.2.2一种数据预处理的快速算法
3.2.3数值实验和结果分析
3.3本章小结
第4章改进的加权LS-SVM回归算法
4.1引言
4.2 WLS-SVM基本模型
4.3基于核距离信息的加权算法
4.3.1基于L2距离的加权算法
4.3.2基于核函数矩阵的加权算法
4.3.3数值实验与结果分析
4.4基于样本异常程度的加权算法
4.4.1样本异常程度的一种启发式标识方法
4.4.2 WLS-SVM的启发式权重设置算法
4.4.3 WLS-SVM的快速训练算法
4.4.4数值实验与结果分析
4.5本章小结
第5章异常样本迭代剔除的LS-SVM回归算法
5.1引言
5.2 LS-SVM回归框架下的异常样本检测及迭代剔除
5.2.1异常样本迭代剔除的必要性
5.2.2基于假设检验的异常样本检测策略
5.2.3基于LTS准则的异常样本检测策略
5.2.4减量学习
5.2.5算法流程
5.2.5数值实验与结果分析
5.3本章小结
本章附录--减量算法的推导
第6章稳健LS-SVM回归算法在背景建模中的应用
6.1 引言
6.2 基于稳健LS-SVM回归的动态背景建模
6.3 实验与结果分析
6.3 本章小结
结 论
参考文献
攻读博士学位期间取得的科研成果
致 谢