| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第一章 绪论 | 第11-27页 |
| ·论文写作的背景 | 第11-12页 |
| ·论文研究的问题和意义 | 第12-15页 |
| ·论文研究的问题 | 第12-13页 |
| ·论文研究的意义 | 第13-15页 |
| ·国内外研究现状及发展趋势 | 第15-22页 |
| ·财务困境理论研究现状 | 第15-20页 |
| ·基于ANN 和决策树的数据挖掘的研究现状及发展趋势 | 第20-22页 |
| ·论文的研究方法、总体结构和创新之处 | 第22-27页 |
| ·论文的研究方法 | 第22-25页 |
| ·论文的总体结构 | 第25页 |
| ·论文的创新点 | 第25-27页 |
| 第二章 相关理论综述 | 第27-41页 |
| ·数据挖掘理论 | 第27-30页 |
| ·基本概念 | 第27页 |
| ·数据挖掘分类、技术与过程 | 第27-29页 |
| ·数据挖掘应用现状 | 第29-30页 |
| ·粗糙集理论 | 第30-34页 |
| ·粗糙集理论的基本概念 | 第30-32页 |
| ·粗糙集理论的应用范例 | 第32-34页 |
| ·实现方法探索 | 第34页 |
| ·支持向量机(SVM)理论 | 第34-41页 |
| ·支持向量机理论的原理 | 第35-38页 |
| ·粗糙集理论对于改进支持向量机的贡献 | 第38-41页 |
| 第三章 决策表的约简 | 第41-49页 |
| ·知识表达系统数据的一致性 | 第41-42页 |
| ·一致决策表的约简 | 第42-49页 |
| ·决策表的属性约简算法 | 第43-48页 |
| ·值约简 | 第48-49页 |
| 第四章 基于粗糙集的支持向量机(RS-SVM)构建 | 第49-56页 |
| ·支持向量机算法概述 | 第49-52页 |
| ·支持向量机的训练算法 | 第50-52页 |
| ·大样本集的预处理方法 | 第52页 |
| ·算法的改进—NEW-RS-SVM | 第52-56页 |
| ·RS 知识约简方法 | 第52-54页 |
| ·属性约简和重要度算法实现 | 第54-56页 |
| 第五章 基于粗糙集支持向量机财务困境预测模型获取与分析 | 第56-78页 |
| ·财务困境预测的理论范畴 | 第56-58页 |
| ·财务困境的定义 | 第56-57页 |
| ·财务困境的研究目的与研究内容 | 第57-58页 |
| ·财务困境上市公司样本设计 | 第58-61页 |
| ·陷入财务困境上市公司的样本选择 | 第58-59页 |
| ·配对的非ST 上市公司的样本选择 | 第59-60页 |
| ·数据来源与研究假设 | 第60-61页 |
| ·财务困境预测模型指标的筛选 | 第61-69页 |
| ·选择变量 | 第61-67页 |
| ·国内外变量的使用及基于挖掘的变量选取 | 第67-68页 |
| ·统计回归下的指标筛选及缺陷 | 第68-69页 |
| ·基于粗集的支持向量机财务困境预测模型获取 | 第69-75页 |
| ·基于粗集的支持向量机财务困境预测模型比较分析 | 第75-76页 |
| ·单数据集多算法比较 | 第75-76页 |
| ·基于粗集的支持向量机财务困境预测模型评价与总结 | 第76-78页 |
| 第六章 模型的应用分析 | 第78-81页 |
| ·模型的应用分析 | 第78-80页 |
| ·研究展望 | 第80-81页 |
| 结论 | 第81-82页 |
| 致谢 | 第82-83页 |
| 参考文献 | 第83-86页 |
| 附录 | 第86-90页 |
| 个人简历、在学期间发表的学术论文及研究成果 | 第90-91页 |
