文摘
英文文摘
声明
第一章绪论
1.1选题背景及研究意义
1.2研究现状
1.3本文主要工作及内容安排
1.3.1本文的主要工作
1.3.2本文的内容安排
第二章支持向量机增量学习的基本理论
2.1统计学习理论
2.2支持向量机(SVM)的相关理论
2.2.1支持向量机(SVM)
2.2.2支持向量(SV)
2.3最优化问题的KKT条件
2.3.1 KKT条件
2.3.2广义KKT条件
2.4增量学习
2.5本章小节
第三章支持向量机的相关算法概述
3.1 SVM标准算法
3.1.1线性可分情况
3.1.2线性不可分情况
3.1.3非线性可分情况
3.2求解海量数据的SVM算法
3.2.1选块算法(chunking)
3.2.2分解算法(decomposing)
3.2.3序列最小最优化(sequential minimal optimization,SMO)算法
3.3本章小节
第四章支持向量机增量学习算法
4.1 SVM增量学习算法概述
4.1.1 SVM增量学习算法的提出
4.1.2 SVM增量学习算法的研究现状
4.2 SVM增量学习问题及算法
4.2.1简单的SVM增量学习算法
4.2.2经典的SVM增量学习算法—Batch SVM
4.3寻找最近点SVM增量学习算法
4.3.1算法的提出
4.3.2寻找最近点SVM增量学习算法描述
4.4本章小节
第五章试验结果及其分析
5.1寻找最近点SVM增量学习算法与标准的SVM算法结果比较
5.2寻找最近点SVM增量学习算法与一般的SVM增量学习算法结果比较
5.3本章小节
结束语与展望
致谢
参考文献
在读期间的研究成果