文摘
英文文摘
创新性(或独创性)声明和关于论文使用授权的说明
第一章绪论
1.1引言
1.2竞争学习网络及其向量量化的研究背景及现状
1.2.1竞争学习
1.2.2学习向量量化
1.3统计学习理论及其SVM研究背景及现状
1.3.1统计学习理论的发展
1.3.2 SVM的算法研究
1.3.3 SVM的应用研究
1.3.4 SVM的核函数和模型选择研究
1.4本文工作及安排
第二章竞争学习网络及广义学习向量量化
2.1学习理论及自组织系统
2.1.1通用学习方程
2.1.2自组织学习
2.1.3竞争学习
2.1.4自组织特征映射(Self-Organizing Feature Map,SOFM)
2.2向量量化及广义学习向量量化
2.2.1学习向量量化(Learning VQ,LVQ)
2.2.2广义向量量化
2.2.3模糊学习量化算法
2.3一个新的竞争网络学习算法
2.3.1修正的广义学习向量量化算法
2.3.2模糊修正广义学习量化
2.3.3实验比较
2.4一种提高学习向量量化算法的新方法
2.4.1引言
2.4.2提高竞争网络性能的新措施
2.4.3实验仿真
2.5小结与讨论
第三章支持向量机的基本理论和几何特性研究
3.1监督学习和统计学习理论
3.1.1监督机器学习问题[31,32,41,42]
3.1.2统计学习理论
3.2 SVM的基本理论
3.2.1学习过程一致性的条件
3.2.2学习过程收敛率的界
3.2.3结构风险最小化
3.3支持向量机模型
3.3.1Δ-间隔分类超平面
3.3.2确定最优分类超平面
3.3.3推广到线性不可分情形
3.3.4核函数和非线性问题
3.3.5常用核函数举例
3.4一种推导SVM的直观方法——Fisher投影方法
3.4.1 Fisher线性判别法
3.4.2利用Fisher投影构造最优分类超平面
3.4.3模拟实验
3.4.4小结
3.5结束语
第四章标准支持向量机算法研究
4.1标准支持向量机问题简介
4.1.1标准SVM问题
4.1.2经典求解算法
4.2低维Newton算法[173]
4.2.1算法与分析
4.2.2数值模拟实验
4.2.3结论
4.3训练支持向量机的极大熵方法[179]
4.3.1 SVM的无约束对偶问题及其熵近似函数的性质
4.3.2 SVM的ε-最优解
4.3.3算法及分析
4.3.4数值模拟实验
4.3.5结论
4.4训练支持向量机的Huber近似算法[181]
4.4.1引言
4.4.2二次规划的无约束对偶问题
4.4.3对偶问题的Huber近似及其性质
4.4.4算法提出
4.4.5算法分析
4.4.6数值模拟实验
4.4.7结论
4.5结束语
第五章变形支持向量机算法研究(1)—CGSVM
5.1变形SVM模型
5.1.1引言
5.1.2二次损失函数支持向量机
5.1.3最小二乘支持向量机LS-SVM
5.1.4 Mangasarian等的变形问题
5.1.5广义支持向量机GSVM
5 2已有变形算法介绍
5.2.1连续超松弛算法SOR[58]
5.2.2光滑支持向量机SSVM[61]
5.2.3 Lagrange支持向量机LSVM[63]
5.3共轭梯度型支持向量机(CGSVM)[202]
5.3.1线性变形SVM的无约束Lagrangian对偶
5.3.2非线性问题无约束Lagrangian对偶
5.3.3 CGSVM算法
5.3.4精确线搜索
5.4算法实现与实验
5.4.1线性分类实验
5.4.2非线性分类实验
5.4.3复杂度分析
5.5结束语
第六章变形支持向量机算法研究(2)—ESNSVM
6.1 SVM及其变形问题介绍
6.1.1引言
6.1.2二次损失函数变形及其Mangasarian的变形
6.2半光滑方法
6.2.1半光滑(Semi-smooth)方法介绍
6.2.2半光滑SVM[84]
6.3精确半光滑SVM[222]
6.3.1变形SVM的无约束Lagrange对偶问题
6.3.2算法提出
6.3.3算法收敛性
6.3.4广义Jacobian矩阵Bk的计算和迭代更新
6.3.5基于“二分查找”的精确线搜索
6.5实验仿真
6.5.1与算法LSVM的实验比较
6.5.2 ESNSVM与半光滑算法Semismooth-SVM的比较分析
6.6结束语
第七章支持向量机的几何算法研究——新的可行方向算法
7.1 SVM的几何解释
7.1.1 SVM介绍
7.1.2 C-SVM的几何解释
7.1.3 ν-SVM的几何解释
7.2几何算法介绍
7.2.1 Keerthi等[90]的最近点(Nearest Point)算法
7.2.2 Franc和Hlavá(c)[91,92]的S-K算法
7.3一个新的可行方向算法[231]
7.3.1 S-K算法分析
7.3.2新的可行方向算法
7.3.3收敛性分析
7.3.4停止条件
7.3.5推广处理不可分问题
7.4试验与分析
7.5结束语
第八章支持向量机的核函数和模型选择研究
8.1引言
8.2一类新的核函数
8.2.1高斯核函数的性能分析
8.2.2一个新的核函数及其性能分析
8.3核参数选择分析
8.3.1距离判别准则
8.3.2夹角判别准则
8.3.3混合策略
8.4实验仿真
8.5结论
第九章总结与展望
参考文献
致谢
读博士期间的研究论文和参加的科研项目
一、学术论文
二、参加的科研项目