| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 引言 | 第8-14页 |
| 1.1 研究背景和意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 研究内容 | 第11-12页 |
| 1.4 章节安排 | 第12-14页 |
| 第2章 相关基本理论概述 | 第14-22页 |
| 2.1 支持向量机概述 | 第14-16页 |
| 2.2 遗传算法概述 | 第16-17页 |
| 2.3 粒子群算法概述 | 第17-19页 |
| 2.4 人工蜂群算法概述 | 第19-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第3章 基于人工蜂群算法的特征选择方法 | 第22-29页 |
| 3.1 特征选择概述 | 第22-23页 |
| 3.2 本文实现的特征选择方法 | 第23-26页 |
| 3.2.1 基于遗传算法的特征选择方法 | 第23-24页 |
| 3.2.2 基于粒子群算法的特征选择方法 | 第24-25页 |
| 3.2.3 基于人工蜂群算法的特征选择方法 | 第25-26页 |
| 3.3 实验结果和分析 | 第26-28页 |
| 3.4 本章小结 | 第28-29页 |
| 第4章 基于人工蜂群算法的支持向量机参数优化 | 第29-43页 |
| 4.1 支持向量机参数优化 | 第29-32页 |
| 4.1.1 基于遗传算法优化支持向量机参数的方法 | 第30页 |
| 4.1.2 基于粒子群算法优化支持向量机参数的方法 | 第30-31页 |
| 4.1.3 基于人工蜂群算法优化支持向量机参数的方法 | 第31-32页 |
| 4.2 实验结果分析 | 第32-41页 |
| 4.2.1 实验数据与方法 | 第32-33页 |
| 4.2.2 实验的评价标准 | 第33页 |
| 4.2.3 结果与分析 | 第33-41页 |
| 4.3 本章小结 | 第41-43页 |
| 第5章 基于人工蜂群算法的支持向量机特征参数同步优化 | 第43-58页 |
| 5.1 支持向量机特征参数同步优化 | 第43-49页 |
| 5.1.1 基于遗传算法的支持向量机特征参数同步优化 | 第43-45页 |
| 5.1.2 基于粒子群算法的支持向量机特征参数同步优化 | 第45-47页 |
| 5.1.3 基于人工蜂群算法的支持向量机特征参数同步优化 | 第47-49页 |
| 5.2 实验结果分析 | 第49-57页 |
| 5.2.1 实验方法与评价标准 | 第49页 |
| 5.2.2 结果与分析 | 第49-57页 |
| 5.3 本章小结 | 第57-58页 |
| 第6章 基于人工蜂群算法的支持向量机集成算法 | 第58-75页 |
| 6.1 集成学习概述 | 第58-59页 |
| 6.2 加权投票集成算法 | 第59-63页 |
| 6.2.1 基于遗传算法的支持向量机加权投票集成算法 | 第59-60页 |
| 6.2.2 基于粒子群算法的支持向量机加权投票集成算法 | 第60-62页 |
| 6.2.3 基于人工蜂群算法的支持向量机加权投票集成算法 | 第62-63页 |
| 6.3 实验结果分析 | 第63-73页 |
| 6.3.1 实验方法与评价标准 | 第63-64页 |
| 6.3.2 结果与分析 | 第64-73页 |
| 6.4 本章小结 | 第73-75页 |
| 第7章 总结与展望 | 第75-77页 |
| 7.1 总结 | 第75-76页 |
| 7.2 展望 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81-82页 |
| 附录 | 第82页 |
