声明
摘要
第1章 绪论
1.1 发展历史
1.2 研究现状
1.3 研究背景
1.4 本文的结构
第2章 预备知识
2.1 小样本学习理论
2.1.1 一致性条件
2.1.2 VC维
2.1.3 推广性的界
2.1.4 结构风险最小化
2.2 关于模糊数学
2.2.1 模糊数学的基本概念
2.2.2 隶属度函数及其确定方法
2.2.3 模糊聚类分析
2.3 本章小结
第3章 SVM
3.1 最优超平面
3.2 核函数
3.3 支持向量分类机
3.4 模糊支持向量机
3.5 本章小结
第4章 一种新的模糊隶属函数确定方法
4.1 一种新的基于类中心的隶属函数
4.1.1 新隶属函数的确定方法
4.1.2 新隶属函数的进一步讨论
4.2 样本数据的预处理
4.3 数据不平衡条件下的处理方法
4.4 数值实验
4.5 本章小结
第5章 不确定问题下的SVM
5.1 双向加权法
5.2 后验概率法
5.2.1 贝叶斯决策理论
5.2.2 后验概率支持向量机求解
5.2.3 确定后验概率的方法
5.3 本章小结
第6章 总结与展望
6.1 总结
6.2 展望
参考文献
致谢
攻读学位期间发表的论文