基于模糊聚类的支持向量机的分类算法研究
| 第1章 绪论 | 第1-12页 |
| 1．1 引言 | 第9-10页 |
| 1．2 国内外研究现状 | 第10页 |
| 1．3 本文的主要内容 | 第10-12页 |
| 第2章 数据挖掘技术综述 | 第12-23页 |
| 2．1 数据挖掘的起源 | 第12页 |
| 2．2 数据挖掘的定义 | 第12-14页 |
| 2．2．1 技术角度的定义 | 第13页 |
| 2．2．2 商业角度的定义 | 第13-14页 |
| 2．3 数据挖掘的基本过程 | 第14-15页 |
| 2．4 数据挖掘的功能 | 第15-17页 |
| 2．5 数据挖掘的对象 | 第17-18页 |
| 2．6 数据挖掘的技术和方法 | 第18-20页 |
| 2．7 对数据挖掘认识的误区 | 第20-21页 |
| 2．8 数据挖掘与统计应用的前景 | 第21-22页 |
| 2．9 本章小结 | 第22-23页 |
| 第3章 支持向量机 | 第23-32页 |
| 3．1 背景 | 第23-28页 |
| 3．1．1 机器学习的基本问题 | 第23-25页 |
| 3．1．2 经验风险最小化 | 第25页 |
| 3．1．3 统计学习理论的基本问题 | 第25-28页 |
| 3．2 支持向量机基础理论 | 第28-30页 |
| 3．2．1 线性支持向量机 | 第28-29页 |
| 3．2．2 非线性支持向量机 | 第29-30页 |
| 3．3 SVM应用 | 第30-31页 |
| 3．4 本章小结 | 第31-32页 |
| 第4章 支持向量机分类问题 | 第32-41页 |
| 4．1 停机准则 | 第32-34页 |
| 4．2 求解大型问题的算法 | 第34-36页 |
| 4．2．1 选块算法 | 第34页 |
| 4．2．2 分解算法 | 第34-35页 |
| 4．2．3 序列最小优化算法 | 第35-36页 |
| 4．2．4 其他算法 | 第36页 |
| 4．3 多类分类问题 | 第36-39页 |
| 4．3．1 多类分类问题的数学表述 | 第36-37页 |
| 4．3．2 一类对多类 | 第37-38页 |
| 4．3．3 成对分类 | 第38页 |
| 4．3．4 纠错输入编码 | 第38-39页 |
| 4．3．5 确定多类目标函数方法 | 第39页 |
| 4．4 本章小结 | 第39-41页 |
| 第5章 基于模糊聚类的支持向量机 | 第41-54页 |
| 5．1 SVM适用于数据挖掘的原因 | 第41-43页 |
| 5．1．1 SVM的一些优点 | 第41-42页 |
| 5．1．2 过学习问题 | 第42-43页 |
| 5．2 应用中的问题 | 第43-44页 |
| 5．3 基于模糊聚类的支持向量机 | 第44-48页 |
| 5．3．1 剪枝 | 第44-45页 |
| 5．3．2 模糊聚类 | 第45-47页 |
| 5．3．3 有效聚类中心 | 第47-48页 |
| 5．3．4 SVM训练 | 第48页 |
| 5．4 实验结果与分析 | 第48-53页 |
| 5．4．1 数值实验 | 第48-50页 |
| 5．4．2 应用 | 第50-52页 |
| 5．4．3 结果分析 | 第52-53页 |
| 5．5 本章小结 | 第53-54页 |
| 结论 | 第54-57页 |
| 参考文献 | 第57-62页 |
| 攻读硕士学位期间所发表的论文和取得的研究成果 | 第62-63页 |
| 致谢 | 第63页 |
