| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-17页 |
| ·课题的研究背景与意义 | 第10-11页 |
| ·国内外研究现状 | 第11-15页 |
| ·课题的主要研究内容 | 第15-16页 |
| ·论文的组织结构 | 第16-17页 |
| 第二章 统计学习理论与支持向量机 | 第17-31页 |
| ·统计学习理论的基础理论 | 第17-22页 |
| ·机器学习的基本问题 | 第17页 |
| ·经验风险最小化原则 | 第17-18页 |
| ·复杂性和推广能力 | 第18-20页 |
| ·VC 维 | 第20页 |
| ·结构风险最小化 | 第20-22页 |
| ·支持向量机 | 第22-30页 |
| ·最优超平面 | 第22-24页 |
| ·核函数 | 第24-27页 |
| ·支持向量机思想 | 第27页 |
| ·支持向量回归机 | 第27-29页 |
| ·模型参数的影响 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第三章 基于核学习的债券回归研究与优化 | 第31-41页 |
| ·核函数的构造理论 | 第31页 |
| ·构造混合核函数 | 第31-33页 |
| ·全局核函数和局部核函数 | 第32页 |
| ·构造混合核函数 | 第32-33页 |
| ·实验准备与过程 | 第33-35页 |
| ·系统工具的选择 | 第33页 |
| ·数据预处理、评价标准 | 第33-34页 |
| ·操作步骤 | 第34-35页 |
| ·实验结果分析 | 第35-39页 |
| ·参数 C 和 的影响分析 | 第35-37页 |
| ·多项式核、径向基核及相应参数的选择 | 第37-38页 |
| ·新构造的混合核函数与多项式核和高斯径向基核的对比 | 第38-39页 |
| ·本章小结 | 第39-41页 |
| 第四章 基于独立分量分析和 SVM 的债券回归研究 | 第41-48页 |
| ·前言 | 第41页 |
| ·独立分量分析的基础知识 | 第41-44页 |
| ·ICA 基本数学模型 | 第42页 |
| ·数据预处理 | 第42-43页 |
| ·模型的求解 | 第43-44页 |
| ·基于 FAST ICA 算法的特征提取 | 第44-45页 |
| ·基于特征提取后的 SVM 实证分析 | 第45-46页 |
| ·数据处理及评价标准 | 第45-46页 |
| ·实验结果分析 | 第46页 |
| ·总结 | 第46-48页 |
| 第五章 总结与展望 | 第48-49页 |
| ·本文工作总结 | 第48页 |
| ·工作展望 | 第48-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 附录 | 第54页 |