声明
摘要
第一章 绪论
1.1 选题背景及其研究意义
1.2 国内外研究现状
1.2.1 支持向量机的国内外研究现状
1.2.2 支持向量机增量学习国内外研究现状
1.3 存在的问题
1.4 论文的组织结构
第二章 增量学习与支持向量机理论基础
2.1 增量学习
2.2 支持向量机
2.2.1 线性支持向量机
2.2.2 非线性支持向量机
2.2.3 核函数
2.3 多分类支持向量机
2.4 本章小结
第三章 支持向量机边界向量预选取算法及仿真研究
3.1 边界向量与边界向量预选取
3.1.1 边界向量的定义
3.1.2 边界向量预选取思路
3.2 改进的边界向量预选取算法
3.2.1 线性可分与非线性可分数据集间距离
3.2.2 k近邻选取边界向量集合算法
3.2.3 改进的k近邻边界向量集合选取算法
3.3 基于边界向量的支持向量机算法
3.4 仿真实验及结果分析
3.4.1 实验设计
3.4.2 实验结果及分析
3.5 本章小结
第四章 支持向量机增量学习算法的研究及仿真
4.1 SVM增量学习的基本概念
4.1.1 经典的SVM增量学习算法
4.2 增量过程分析
4.2.1 KKT条件与样本分布的关系
4.2.2 增量学习后支持向量集的变化情况
4.2.3 基于KKT条件的增量学习算法
4.3 SVM增量学习算法的改进
4.3.1 基于中心密度的改进非SV集选取方法
4.3.2 基于边界向量的支持向量机增量学习
4.3.3 算法实现过程
4.4 SVM增量学习算法的比较及仿真
4.5 本章小结
第五章 SVM增量学习在乳腺组织中的分类应用
5.1 实验设计
5.2 实验结果及分析
5.3 本章小结
总结与展望
参考文献
致谢
附录
长沙理工大学;