文摘
英文文摘
第一章 绪论
1.1 研究的背景及意义
1.2 不平衡分类的发展现状
1.2.1 重构数据集
1.2.2 改进分类算法
1.3 支持向量机发展现状
1.4 本文主要的研究内容
第二章 支持向量机理论和核方法
2.1 引言
2.2 机器学习理论
2.2.1 学习问题的数学描述
2.2.2 经验风险最小化
2.2.3 学习机器的泛化能力
2.3 统计学习理论
2.3.1 学习过程的一致性及VC维
2.3.2 推广性的界
2.3.3 结构风险最小化
2.4 支持向量机理论
2.4.1 分类问题的提出
2.4.2 线性支持向量机
2.4.3 非线性支持向量机
2.5 核方法
2.5.1 核方法的原理
2.5.2 核函数
2.5.3 高斯核函数的性质
2.6 本章小节
第三章 支持向量数据描述理论
3.1 引言
3.2 支持向量数据描述SVDD
3.2.1 原空间中的SVDD
3.2.2 特征空间中的SVDD
3.3 SVDD中的参数选择
3.3.1 高斯核函数及参数
3.3.2 惩罚参数c
3.4 两个参数对SVDD分类性能影响实验
3.4.1 核参数对分类性能的影响实验
3.4.2 惩罚参数对分类性能的影响实验
3.5 本章小节
第四章 不平衡数据支持向量数据描述算法
4.1 引言
4.2 带非目标类的SVDD
4.3 SVDD处理不平衡数据的惩罚策略
4.4 不平衡数据分类器的性能评价
4.4.1 Accuracy方法
4.4.2 F-measure方法
4.4.3 ROC曲线
4.5 不平衡分类中SVDD与其他数据描述方法的比较
4.5.1 实验一
4.5.2 实验二
4.5.3 实验三
4.6 本章小节
第五章 基于不平衡分布的支持向量数据描述算法
5.1 引言
5.2 基于特征提取的SVDD算法
5.2.1 特征提取
5.2.2 惩罚参数的确定
5.2.3 建立模型
5.3 FE-SVDD与SVDD的实验结果与分析
5.3.1 实验一
5.3.2 实验二
5.3.3 实验三
5.3.4 结论
5.4 基于信息熵的SVDD算法
5.4.1 信息熵
5.4.2 惩罚参数的确定
5.4.3 整体模型
5.5 E-SVDD与SVDD的实验结果与分析
5.5.1 实验设置
5.5.2 实验一
5.5.3 实验二
5.5.4 结论
5.6 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
致谢
参考文献
附录 :
杭州电子科技大学;