文摘
英文文摘
声明
第一章 绪论
1.1 统计学习论与支持向量机发展
1.2 分布估计算法发展简史
1.3 支持向量机及分布估计算法的应用前景
1.4 本文主要的工作及安排
第二章 统计学习的基本理论
2.1 学习问题和学习方法
2.1.1 学习问题的基本定义和学习问题的表示
2.1.2 学习方法
2.1.3 VC理论
2.1.4 经验风险最小化和结构风险最小化
2.1.5 学习过程的一致性
2.2 核函数特征空间
2.2.1 特征空间中的学习
2.2.2 核函数的构造
2.2.3 核函数的性质
第三章 支持向量机的基本理论
3.1 支持向量机的定义
3.2 支持向量机分类问题
3.2.1 线性可分问题和线性不可分问题
3.2.2 近似线性可分问题
3.3 支持向量机回归估计问题
第四章 基于支持向量机的的密度估计方法
4.1 密度估计问题的表示
4.2 不适定问题
4.2.1 不适定问题的定义
4.2.2 解决不是定问题的方法
4.2.3 确定性不适定问题
4.2.4 随机不适定问题
4.3 基于支持向量机的概率密度求解
4.3.1 基于支持向量机的概率密度估计的模型描述
4.3.2 基于支持向量机的概率密度估计的求解算法
4.3.3 一维和二维密度仿真测试
4.3.4 高维模型描述
4.3.5 本章小结
第五章 基于支持向量机概率密度估计的分布估计算法
5.1 分布估计算法模型
5.2 数学采样方法
5.2.1 舍选法采样的基本原理
5.2.2 针对存在局部最优值的变形舍选法
5.2.3 针对本文概率密度估计的分布估计算法的方针测试
5.3 本章小结
第六章 总结与展望
参考文献
攻读硕士学位期间发表的论文
致谢