声明
摘要
图目录
表目录
第一章 绪论
1.1 研究背景与意义
1.2 核方法研究现状
1.2.1 不定核学习方法研究现状
1.2.2 多核学习方法研究现状
1.3 本文的研究动机
1.3.1 不定核学习算法的局限性
1.3.2 多核学习算法的局限性
1.4 研究目标及内容
1.5 论文结构
第二章 支持向量机SVM
2.1 SVM模型
2.1.1 最大间隔分类器
2.1.2 软间隔
2.1.3 核技巧
2.2 从对偶问题入手求解SVM
2.3 从主问题入手求解SVW
2.4 对偶间隙
2.5 本章小结
第三章 基于SVM主问题的单核不定核学习方法
3.1 模型推导
3.2 优化求解
3.3 泛化性能分析
3.3.1 间隔(Margin)
3.3.2 Hinge-loss损失函数
3.4 实验
3.4.1 UCI及USPS数据集上的实验
3.4.2 DNA及生物数据集上的实验
3.5 本章小结
第四章 基于SVM主问题的多核不定核学习方法
4.1 模型推导
4.1.1 基本核函数不定
4.1.2 组合系数不定
4.2 优化求解
4.2.1 优化SVM参数z
4.2.2 优化核系数d
4.3 泛化性能分析
4.3.1 基本核函数不定
4.3.2 组合系数不定
4.4 实验
4.4.1 UCI及USPS数据集上的实验
4.4.2 DNA及生物数据集上的实验
4.5 本章小结
第五章 结束语
5.1 本文工作小结
5.2 进一步的工作
致谢
参考文献
在校期间发表的学术论文