摘要
第1章 绪论
1.1 课题的研究背景及意义
1.2 国内外研究现状
1.2.1 无监督学习研究
1.2.2 监督学习研究
1.2.3 半监督学习研究
1.2.4 支持向量机研究与进展
1.3 论文研究的目的、意义和主要工作
1.3.1 研究的目的和意义
1.3.2 本文的主要工作
第2章 支持向量机及其理论基础
2.1 最优化理论基础
2.1.1 KKT条件
2.1.2 Wolfe对偶
2.2 统计学习理论的基本思想
2.2.1 经验风险
2.2.2 VC维
2.2.3 结构风险最小化
2.3 支持向量分类机
2.3.1 最优分类超平面
2.3.2 线性支持向量机
2.3.3 非线性支持向量分类机
2.3.4 支持向量
2.3.5 核函数
2.4 支持向量回归机
2.4.1 损失函数
2.4.2 支持向量回归机
2.5 小结
第3章 新的光滑支持向量分类机
3.1 引言
3.2 光滑支持向量及其发展
3.2.1 光滑支持向量的原理
3.2.2 光滑支持向量机发展现状
3.3 基于贝塞尔曲线的光滑支持向量
3.3.1 光滑Bézier支持向量机及其性质
3.3.2 BSSVM的Newton-Armijo算法
3.3.3 非线性光滑BSSVM
3.3.4 数值实验
3.4 基于旋转双曲线的光滑支持向量
3.4.1 基于旋转双曲线的光滑支持向量RHSSVM及其性质
3.4.3 非线性光滑RHSSVM
3.4.4 数值实验
3.5 小结
第4章 新的光滑支持向量回归机
4.1 引言
4.2 光滑支持向量回归机及其发展
4.2.1 光滑支持向量回归机的发展现状
4.2.2 光滑支持向量回归机的原理
4.3 基于贝塞尔函数的光滑支持向量回归机
4.3.1 光滑贝塞尔函数的支持向量回归机ε-BSSVR及其性质
4.3.2 非线性ε-BSSVR
4.3.3 ε-BSSVR的Newton-Armijo算法
4.3.4 数值实验
4.4 基于旋转双曲线的光滑支持向量
4.4.1 基于旋转双曲线的光滑支持向量ε-RHSSVR及其性质
4.4.2 非线性光滑ε-RHSSVR
4.4.3 ε-RHSSVR数值实验
4.5 小结
第5章 基于光滑技术的半监督支持向量分类机
5.1 引言
5.2 半监督支持向量机算法概述及其发展
5.2.1 基于组合的半监督支持向量机
5.2.2 基于连续法的半监督支持向量机
5.2.3 ▽TSVM算法介绍
5.2.4 半监督支持向量机发展
5.3 基于贝塞尔函数的光滑半监督支持向量机
5.3.1 光滑贝塞尔半监督支持向量机
5.3.2 求解算法
5.3.3 数值实验
5.4 小结
第6章 总结与展望
参考文献
攻读学位期间取得的研究成果
致谢
声明