声明
致谢
摘要
图目录
表目录
第1章 绪论
1.1 课题研究背景
1.2 课题研究意义
1.3 国内外研究现状
1.3.1 支持向量机的研究现状
1.3.2 单分类的研究现状
1.3.3 单分类支持向量机的研究现状
1.4 本文研究内容及结构安排
1.4.1 研究内容
1.4.2 论文组织结构
第2章 单分类支持向量机
2.1 统计学习理论
2.1.1 经验风险与期望风险最小化
2.1.2 学习过程的一致性
2.1.3 VC维和推广性的界
2.1.4 结构风险最小化
2.2 支持向量机
2.2.1 最大间隔分类超平面
2.2.2 最大间隔分类超平面个的求解
2.2.3 支持向量机算法
2.3 单分类支持向量机
2.3.1 支持向量数据描述算法
2.3.2 一类支持向量机算法
2.3.3 等价条件分析
第3章 基于线性粒子群优化算法的1-SVM学习方法
3.1 粒子群优化算法
3.1.1 粒子群优化算法原理
3.1.2 粒子群优化算法的研究现状
3.2 线性粒子群优化算法
3.2.1 线性粒子群优化算法
3.2.2 线性粒子群优化算法的收敛性改进方法
3.3 基于线性粒子群优化算法的1-SVM学习方法
3.3.1 调整粒子位置的方法
3.3.2 1-SVM的学习方法步骤
3.4 数值仿真
3.4.1 人工椭圆数据集实验
3.4.2 UCI数据集实验
3.5 本章小结
第4章 基于随机取样算法的1-SVM快速学习方法
4.1 SVM与随机取样算法
4.2 Clarkson的随机取样算法
4.3 针对SVDD的随机结合定理及其证明
4.4 1-SVM的快速学习方法
4.5 数值仿真
4.6 本章小结
第5章 基于德尔塔函数的1-SVM增量学习方法
5.1 SVM增量学习
5.1.1 增量学习
5.1.2 SVM的增量学习
5.2 基于德尔塔函数的1-SVM增量学习方法
5.2.1 OCSVM模型以及几何表示
5.2.2 德尔塔函数与增量学习
5.2.3 德尔塔函数的有效求解方法
5.3 数值仿真
5.3.1 提出的增量学习方法随样本数的变化分析
5.3.2 不同方法的实验结果比较
5.4 本章小结
第6章 1-SVM在高清车牌识别中的应用
6.1 车牌识别系统
6.2 车牌定位
6.3 车牌字符分割
6.4 车牌字符识别
6.4.1 车牌字符
6.4.2 字符识别过程
6.5 软件系统演示
6.6 本章小结
第7章 总结与展望
7.1 全文工作总结
7.2 工作展望
参考文献
攻读学位期间主要研究成果
作者简历