文摘
英文文摘
声明
第1章 绪论
1.1人工智能机器学习及其发展
1.1.1机器学习问题
1.1.2机器学习的发展
1.1.3机器学习的实现方法
1.2基于支持向量机的自适应相关研究
1.3论文的研究内容及组织结构
第2章统计学习理论及支持向量机
2.1机器学习的基本问题
2.1.1问题的表示
2.1.2经验风险最小化
2.1.3复杂性和泛化性能
2.2统计学习理论
2.2.1 VC维(函数的多样性)
2.2.2泛化性的界
2.2.3结构风险最小化
2.3支持向量机
2.3.1线性可分的SVM
2.3.2线性最优分类面的SVM
2.3.3线性广义最优分类面的SVM
2.3.4非线性可分的SVM
2.4算法实现
2.4.1选块算法(chunking)
2.4.2分解算法(Deeomposing)
2.4.3序贯最小优化算法(SMO)
2.5本章小结
第3章支持向量机中核函数的研究
3.1核函数基本概念和常见的核函数
3.1.1核函数的性质
3.1.2核函数方法的特点
3.1.3核函数方法实施步骤
3.2核参数的选择方法研究
3.2.1核函数参数实验
3.2.2核参数选择方法的分析
3.2.3惩罚系数C的研究
3.3本章小结
第4章新的自适应组合核函数的研究
4.1局部核函数和全局核函数
4.1.1局部核函数
4.1.2全局核函数
4.2组合核函数的研究
4.3核函数的进一步讨论
4.4本章小结
第5章系统的设计与实现
5.1系统模型
5.2系统实现
5.2.1数据的归一化
5.2.2数据记录的表示
5.2.3分类器的模型表示
5.3开发环境
5.4系统功能与界面
5.5本章小结
第6章 总结与展望
6.1本论文的研究工作总结
6.2研究展望
参考文献
致 谢
攻读硕士学位期间发表的论文
武汉理工大学;