| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第7-10页 |
| 一、绪论 | 第10-18页 |
| (一) 研究背景及意义 | 第10-14页 |
| 1. 研究背景 | 第10-12页 |
| 2. 研究意义 | 第12-14页 |
| (二) 研究的内容和论文的组织结构 | 第14-15页 |
| (三) 研究方法和技术路线 | 第15-17页 |
| (四) 本文的创新之处 | 第17-18页 |
| 二、财务困境预警理论和非平衡问题概述 | 第18-34页 |
| (一) 财务困境预警理论 | 第18-29页 |
| 1. 财务困境概念的界定 | 第18-21页 |
| 2. 国内外对财务困境预警的研究现状 | 第21-29页 |
| (二) 面向非平衡类数据挖掘的研究现状 | 第29-34页 |
| 1. 非平衡数据和非平衡问题概述 | 第29-30页 |
| 2. 非平衡问题的研究现状 | 第30-34页 |
| 三、基于非平衡的传统支持向量机财务困境预警模型 | 第34-42页 |
| (一) 支持向量机分类模型介绍 | 第34-37页 |
| 1. 支持向量机简介 | 第34页 |
| 2. 支持向量机的原理 | 第34-36页 |
| 3. 支持向量机处理非平衡问题的缺陷和改进 | 第36-37页 |
| (二) 基于代价敏感支持向量机的财务困境预警模型 | 第37-39页 |
| 1. CS-SVM预警模型原理 | 第37-38页 |
| 2. CS-SVM预警模型评述 | 第38-39页 |
| (三) 基于SMOTE结合支持向量机的财务困境预警模型 | 第39-40页 |
| 1. SMOTE采样和S-SVM预警模型原理 | 第39-40页 |
| 2. S-SVM预警模型评述 | 第40页 |
| (四) 基于数据集分割集成支持向量机的财务困境预警模型 | 第40-42页 |
| 1. D-SVM预警模型原理 | 第40-41页 |
| 2. D-SVM预警模型评述 | 第41-42页 |
| 四、基于SMOTE-Bagging处理非平衡的集成支持向量机财务困境预警模型 | 第42-47页 |
| (一) Bagging技术的原理 | 第42-43页 |
| 1. Bagging算法介绍 | 第42页 |
| 2. Bagging算法的流程 | 第42-43页 |
| 3. Bagging算法的特点 | 第43页 |
| (二) SB-SVM财务困境预警模型的原理 | 第43-44页 |
| 1. SB-SVM模型的定义 | 第43-44页 |
| 2. SB-SVM模型的特性 | 第44页 |
| (三) SB-SVM财务困境预警模型的构建过程 | 第44-45页 |
| (四) SB-SVM模型用于财务困境预警的优点分析 | 第45-47页 |
| 五、实证研究和案例分析 | 第47-60页 |
| (一) 样本的收集和指标体系的构建 | 第47-49页 |
| 1. 样本的收集 | 第47页 |
| 2. 指标体系的构建 | 第47-49页 |
| (二) 评价标准的选择 | 第49-50页 |
| (三) 仿真实验和建模过程 | 第50-51页 |
| (四) 预警结果的图像判别 | 第51-54页 |
| (五) 预警结果的定量分析判别 | 第54-56页 |
| (六) 基于非平衡视角的财务困境智能预警实例 | 第56-60页 |
| 1. 公司简介 | 第56页 |
| 2. 财务困境原因的定性分析 | 第56-57页 |
| 3. 财务困境预警的定量分析 | 第57-59页 |
| 4. 案例总结 | 第59-60页 |
| 六、研究结论和展望 | 第60-62页 |
| 参考文献 | 第62-69页 |
| 攻读学位期间取得的研究成果 | 第69-70页 |
| 致谢 | 第70-71页 |
