声明
摘要
第1章 绪论
1.1 选题背景
1.2 理论意义和应用价值
1.3 国内外研究现状及发展趋势
1.4 主要研究内容和组织结构
第2章 支持向量机理论
2.1 统计学习理论
2.1.1 经验风险最小化原则
2.1.2 VC维理论
2.1.3 推广性的界
2.1.4 结构风险最小化原则
2.2 支持向量机理论
2.2.1 最优分类超平面
2.2.2 线性支持向量机
2.2.3 非线性支持向量机
2.3 支持向量机中核函数
2.3.1 核函数基本理论
2.3.2 一般核函数的性质
第3章 混合核函数SVM模型的构造
3.1 核函数选择
3.1.1 局部核函数
3.1.2 全局核函数
3.1.3 混合核函数SVM模型构造
3.2 混合核函数SVM待优化参数
3.2.1 惩罚因子
3.2.2 混合核函数中的参数
3.2.3 混合核函数的权系数
3.3 混合核函数SVM参数优化方法
3.3.1 交叉验证
3.3.2 网格搜索算法
3.3.3 遗传算法
第4章 实验仿真
4.1 数据集描述
4.2 算法设计
4.3 仿真结果与分析
4.3.1 仿真结果
4.3.2 仿真结果分析
第5章 总结与展望
5.1 总结
5.2 展望
参考文献
致谢