文摘
英文文摘
第一章 绪论
1.1 研究的背景和意义
1.2 国内外研究现状
1.3 本文所做的工作
1.4 本文的内容组织
第二章 支持向量机理论
2.1 统计模式识别问题
2.1.1 机器学习原理
2.1.2 VC维
2.1.3 推广性的界与结构风险最小
2.2 支持向量机原理
2.2.1 线性与广义线性判别函数
2.2.2 最优分类面与广义最优分类面
2.2.3 高维空间的最优分类面
2.2.4 支持向量机
2.3 支持向量机核函数
2.3.1 常用核函数
2.3.2 混合核函数
2.4 混合核支持向量机参数分析
2.5 本章小结
第三章 基于动量粒子群的混合核SVM参数优化
3.1 基本粒子群算法
3.1.1 基本原理
3.1.2 算法描述
3.1.3 算法流程
3.2 动量粒子群算法
3.2.1 粒子群算法的优缺点分析
3.2.2 动量粒子群算法描述
3.3 混合核SVM参数优化
3.3.1 SVM性能指标的选取
3.3.2 算法流程
3.3.3 仿真实验及结果分析
3.4 本章小结
第四章 改进的遗传算法优化混合核SVM参数
4.1 基本遗传算法
4.1.1 基本思想
4.1.2 基本操作
4.1.3 算法流程
4.2 改进的遗传算法
4.2.1 遗传算法的优缺点分析
4.2.2 混沌理论
4.2.3 改进的遗传算法描述
4.3 混合核SVM参数优化
4.3.1 SVM性能指标的选取
4.3.2 混沌初始化算法
4.3.3 算法流程
4.4 仿真实验与结果分析
4.4.1 UCI数据集分类
4.4.2 车辆前方障碍物识别
4.5 本章小结
第五章 总结与展望
5.1 总结
5.2 展望
参考文献
致谢
附录(攻读硕士学位期间发表录用论文)