| 摘要 | 第1-7页 |
| ABSTRACT | 第7-11页 |
| 第一章 绪论 | 第11-18页 |
| ·课题研究背景与意义 | 第11-12页 |
| ·国内外研究现状 | 第12-15页 |
| ·本论文研究内容 | 第15-16页 |
| ·本文的结构 | 第16-18页 |
| 第二章 统计学习理论和SVDD | 第18-30页 |
| ·机器学习的基本问题和方法 | 第18-19页 |
| ·学习问题的一般表示 | 第18-19页 |
| ·经验风险最小化原则 | 第19页 |
| ·复杂度和推广能力 | 第19页 |
| ·统计学习理论基础 | 第19-23页 |
| ·一致性的概念和关键定理 | 第20-21页 |
| ·学习机器推广能力的界 | 第21页 |
| ·结构风险最小化归纳原则 | 第21-23页 |
| ·核方法 | 第23-24页 |
| ·支持向量数据描述 | 第24-29页 |
| ·标准支持向量数据描述 | 第24-27页 |
| ·带有异类样本的支持向量数据描述 | 第27-29页 |
| ·本章小结 | 第29-30页 |
| 第三章 基于核K-MEANS的分层模糊支持向量数据描述 | 第30-43页 |
| ·模糊集合的基本概念 | 第30-31页 |
| ·核K-Means算法 | 第31-33页 |
| ·K-Means算法 | 第31-32页 |
| ·核K-Means算法 | 第32-33页 |
| ·基于核K-Means的分层模糊支持向量数据描述KHFSVDD | 第33-39页 |
| ·模糊支持向量数据描述 | 第33-36页 |
| ·模糊隶属度的构造 | 第36-37页 |
| ·分层模糊支持向量数据描述 | 第37-39页 |
| ·实验与结果比较 | 第39-42页 |
| ·KHFSVDD与SVDD的性能比较 | 第39-40页 |
| ·聚类数对KHFSVDD性能的影响 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 基于核空间相对密度的SVDD改进算法 | 第43-51页 |
| ·核空间相对密度 | 第43-44页 |
| ·相对密度 | 第43页 |
| ·核空间相对密度 | 第43-44页 |
| ·基于核空间相对密度的SVDD多类分类算法 | 第44-46页 |
| ·训练阶段伪代码 | 第45页 |
| ·预测阶段伪代码 | 第45-46页 |
| ·决策边界优化策略 | 第46-48页 |
| ·训练阶段伪代码 | 第47页 |
| ·预测阶段伪代码 | 第47-48页 |
| ·实验与结果比较 | 第48-50页 |
| ·KDM-SVDD性能分析 | 第48-49页 |
| ·λ取值对DDE-SVDD算法性能的影响 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 第五章 增量支持向量数据描述改进算法 | 第51-59页 |
| ·增量学习技术 | 第51-52页 |
| ·非增量学习技术的缺陷 | 第51页 |
| ·增量学习技术 | 第51-52页 |
| ·经典增量SVDD学习算法 | 第52页 |
| ·支持向量集的构成分析 | 第52-55页 |
| ·增量支持向量数据描述改进算法 | 第55-56页 |
| ·算法性能分析 | 第56-58页 |
| ·本章小结 | 第58-59页 |
| 第六章 SVDD在财务报表舞弊识别中的应用 | 第59-65页 |
| ·舞弊识别模型总体设计 | 第59-60页 |
| ·实例分析 | 第60-64页 |
| ·数据预处理 | 第60-61页 |
| ·特征选择 | 第61-63页 |
| ·预测结果分析 | 第63-64页 |
| ·本章小结 | 第64-65页 |
| 第七章 结论与展望 | 第65-67页 |
| ·本文总结 | 第65-66页 |
| ·进一步研究工作 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 致谢 | 第70-71页 |
| 附录一: 读研期间发表和录用论文目录 | 第71-72页 |
| 附录二: 读研期间主持与参与项目目录 | 第72页 |