| 第一章 绪 论 | 第1-15页 |
| ·研究背景 | 第8-11页 |
| ·机器学习的发展和研究方向 | 第9-10页 |
| ·机器学习的概念和基本结构 | 第10-11页 |
| ·当前国内外研究现状 | 第11-13页 |
| ·本文主要的研究目的、工作与内容 | 第13-15页 |
| 第二章 统计学习理论与支持向量机 | 第15-36页 |
| ·统计学习理论的基础 | 第16-22页 |
| ·模型说明 | 第16页 |
| ·估计 | 第16-19页 |
| ·模型选择 | 第19-20页 |
| ·利用验证来界定VC维 | 第20-21页 |
| ·结构风险最小化理论 | 第21-22页 |
| ·支持向量机 | 第22-35页 |
| ·引言 | 第23页 |
| ·支持向量机(SVM)及其核函数介绍 | 第23-29页 |
| ·最优分类超平面与线性支持向量机 | 第23-26页 |
| ·非线性支持向量机 | 第26-28页 |
| ·多分类问题 | 第28-29页 |
| ·核函数 | 第29-31页 |
| ·支持向量机回归(SVR) | 第31-34页 |
| ·线性支持向量机回归 | 第32-33页 |
| ·非线性支持向量机回归 | 第33-34页 |
| ·回归问题的求解 | 第34页 |
| ·SVR和SVC的联系 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第三章 Bagging和Boosting算法 | 第36-43页 |
| ·Bagging算法 | 第36-37页 |
| ·boosting算法 | 第37-42页 |
| ·AdaBoost M1算法 | 第40-41页 |
| ·AdaBoost R.算法 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 基于粗糙集和支持向量机的混合预测方法 | 第43-53页 |
| ·基于粗糙集的属性约简 | 第43-48页 |
| ·有关信息表的基本概念 | 第44-45页 |
| ·知识、分类及不可分辨关系 | 第44页 |
| ·边界与粗糙集 | 第44-45页 |
| ·有关决策表及其核的基本概念 | 第45-46页 |
| ·属性约简的算法 | 第46-47页 |
| ·举例说明 | 第47-48页 |
| ·基于粗糙集理论和支持向量机的混合分类模型 | 第48-50页 |
| ·粗糙集作为数据预处理的方法 | 第48-49页 |
| ·支持向量集作为后台处理技术 | 第49页 |
| ·混合算法 | 第49-50页 |
| ·实验仿真 | 第50-52页 |
| ·结论 | 第52-53页 |
| 第五章 基于主成分分析、粗糙集和支持向量机的混合预测建模 | 第53-62页 |
| ·用主成分分析提取重要条件属性 | 第53-55页 |
| ·主成分分析的基本思想 | 第53页 |
| ·主成分分析的算法 | 第53-55页 |
| ·将粗糙集属性约简作为支持向量机的前端预处理器 | 第55-56页 |
| ·PCA、RS和SVM混合算法 | 第56-58页 |
| ·仿真实验 | 第58-61页 |
| ·liver_disorders数据库 | 第59-60页 |
| ·ionosphere数据库 | 第60-61页 |
| ·小结 | 第61-62页 |
| 第六章 集成支持向量机的建模预测方法 | 第62-75页 |
| ·引言 | 第62-63页 |
| ·集成支持向量机的思想 | 第63-65页 |
| ·构造集成支持向量机的方法 | 第65页 |
| ·支持向量机分类器的组合方法 | 第65-67页 |
| ·多数投票法 | 第66页 |
| ·最小二乘权重法 | 第66页 |
| ·双层层次组合法 | 第66-67页 |
| ·支持向量机回归器的组合方法 | 第67页 |
| ·支持向量机集成算法的仿真试验 | 第67-74页 |
| ·支持向量机分类器集成仿真试验 | 第68-72页 |
| ·集成支持向量机回归仿真实验 | 第72-74页 |
| ·本章小结 | 第74-75页 |
| 第七章 总结及展望 | 第75-77页 |
| 参考文献 | 第77-82页 |
| 发表论文及参加科研情况 | 第82-83页 |
| 致 谢 | 第83页 |