文摘
英文文摘
声明
第一章 绪论
1.1 问题的提出
1.1.1 支持向量回归机的引入
1.1.2 支持向量回归机算法原理
1.1.3 核函数
1.1.4 支持向量回归机核方法思想及核函数的研究进展
1.2 本文研究起点、研究方法及研究平台
1.2.1 本文的研究起点
1.2.2 本文的研究内容及其与已有研究内容之间的联系
1.2.3 本文的实验工具
1.3 本文研究工作概述和内容安排
1.3.1 本文的研究工作概述
1.3.2 本文的内容安排
第二章 非正定核机器学习方法的已有研究成果
2.1 再生核Kerin空间非正定核机器学习方法
2.1.1 再生核Kerin空间(Reproducing Kernel Kerin Space,RKKS)
2.1.2 非正定核函数
2.1.3 RKKS机器学习
2.1.4 RKKS机器学习理论应用的策略
2.2 用于求解非正定核的支持向量分类机SVC的SMO算法
2.2.1 SMO-SVC模型
2.2.2 用于求解非正定核SVC的SMO算法
2.2.3 对求解非正定核SVC的SMO算法进行分析
2.3 求解半无限二次约束线性模型的算法
2.3.1 半无限二次约束线性模型
2.3.2 求解半无限二次约束线性模型的算法
2.3.3 算法的收敛性
2.3.4 对算法的改进,消除无效的约束
第三章 用norm-r损失函数对NPKMR方法的改进研究
3.1 非正定核机器学习模型INPKMR
3.1.1 再生核krein空间(Reproducing Kernel Krein Spaces)的机器学习
3.1.2 非正定核的机器学习模型NPKMR
3.2 改进的非正定核机器学习模型 INPKMR及其求解
3.2.1 松弛变量
3.2.2 惩罚因子
3.2.3 改进的非正定核机器学习模型INPKMR
3.2.4 求解INPKMR模型的梯度下降迭代公式
3.2.5 用梯度下降法实现INPKMR模型的算法
3.3 实验及其结果
3.3.1 实验目的
3.3.2 实验设计
3.3.3 实验结果与分析
3.4 结论
第四章 求解非正定核SVR的SMO算法
4.1 求解非正定核SVR的SMO算法
4.1.1 SVR模型
4.1.2 用于求解非正定核SVR的SMO算法
4.1.3 对算法进行分析
4.2 实验及其结果
4.2.1 实验目的
4.2.2 实验设计
4.2.3 实验结果与分析
4.3 结论
第五章 非正定核机器回归方法的应用实例
5.1 改进的非正定核机器学习模型INPKMR
5.1.1 INPKMR模型
5.1.2 求解INPKMR模型的算法
5.2 求解非正定核SVR的SMO算法
5.2.1 引入Huber损失函数的SVR模型
5.2.2 求解非正定核SVR的SMO算法
5.3 实验与实验结果
5.3.1 实验目的
5.3.2 实验步骤
5.3.3 实验结果与分析
5.4 结论
第六章 总结与展望
6.1 总结
7.2 展望
致谢
参考文献
附录:作者在攻读硕士学位期间发表的论文