| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10页 |
| 1.3 论文的研究内容和主要工作 | 第10-11页 |
| 1.4 论文的组织结构 | 第11-12页 |
| 第二章 支持向量机的分类原理 | 第12-23页 |
| 2.1 统计学习相关理论 | 第12-15页 |
| 2.1.1 统计学习理论概述 | 第12-13页 |
| 2.1.2 VC维理论 | 第13-14页 |
| 2.1.3 结构风险最小化思想 | 第14-15页 |
| 2.2 SVM分类原理 | 第15-22页 |
| 2.2.1 SVM概述 | 第15-16页 |
| 2.2.2 线性可分及线性不可分的分类器 | 第16-17页 |
| 2.2.3 几何间隔 | 第17-18页 |
| 2.2.4 支持向量机的构建 | 第18-21页 |
| 2.2.5 核函数 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第三章 基于样本筛选的支持向量机算法 | 第23-36页 |
| 3.1 基于样本筛选的支持向量机算法的提出 | 第23-26页 |
| 3.1.1 支持向量机分类存在的问题 | 第23-24页 |
| 3.1.2 支持向量机分类存在问题的讨论 | 第24-26页 |
| 3.2 样本点的筛选规则 | 第26-30页 |
| 3.2.1 理想情况下筛选出的样本点 | 第26页 |
| 3.2.2 初始筛选 | 第26-27页 |
| 3.2.3 初始筛选存在的问题 | 第27-28页 |
| 3.2.4 样本点的筛选规则 | 第28-30页 |
| 3.3 基于K-Means和样本筛选的支持向量机算法(K-SVM算法) | 第30-33页 |
| 3.3.1 聚类算法中相似性度量方法的选取 | 第30-31页 |
| 3.3.2 K-SVM算法描述 | 第31-33页 |
| 3.4 基于模糊C均值聚类和样本筛选的支持向量机算法(F-SVM) | 第33-34页 |
| 3.4.1 模糊C均值聚类(FCM) | 第33页 |
| 3.4.2 F-SVM算法描述 | 第33-34页 |
| 3.5 本章小结 | 第34-36页 |
| 第四章 实验结果与分析 | 第36-63页 |
| 4.1 选取数据集 | 第36-37页 |
| 4.2 实验环境 | 第37页 |
| 4.3 实验结果的评估标准 | 第37-38页 |
| 4.3.1 分类准确率 | 第37页 |
| 4.3.2 混淆矩阵和ROC曲线 | 第37-38页 |
| 4.4 实验参数 | 第38-39页 |
| 4.5 K-SVM算法实验结果与分析 | 第39-52页 |
| 4.5.1 Breast cancer数据集 | 第39-43页 |
| 4.5.2 Heart disease数据集 | 第43-48页 |
| 4.5.3 Liver disorders数据集 | 第48-52页 |
| 4.6 F-SVM算法实验结果 | 第52-62页 |
| 4.6.1 Breast cancer数据集 | 第52-55页 |
| 4.6.2 Heart disease数据集 | 第55-58页 |
| 4.6.3 Liver disorders数据集 | 第58-62页 |
| 4.7 总结 | 第62-63页 |
| 第五章 全文工作总结与展望 | 第63-65页 |
| 5.1 全文工作总结 | 第63页 |
| 5.2 工作展望 | 第63-65页 |
| 参考文献 | 第65-67页 |
| 在学期间的研究成果 | 第67-68页 |
| 致谢 | 第68页 |