基于支持向量机的税收预测模型研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 支持向量机的国内外研究现状 | 第12-14页 |
| 1.2.2 税收预测的国内外研究现状 | 第14-15页 |
| 1.3 研究内容与组织结构 | 第15-16页 |
| 第二章 支持向量机的相关理论及优化算法 | 第16-28页 |
| 2.1 统计学习理论 | 第16-17页 |
| 2.1.1 VC维理论 | 第16页 |
| 2.1.2 结构风险最小化 | 第16-17页 |
| 2.2 支持向量回归机 | 第17-19页 |
| 2.3 主成分分析 | 第19-20页 |
| 2.4 支持向量机的参数优化算法 | 第20-27页 |
| 2.4.1 粒子群优化算法 | 第20-22页 |
| 2.4.2 遗传算法 | 第22-26页 |
| 2.4.3 网格搜索算法 | 第26-27页 |
| 2.5 本章小节 | 第27-28页 |
| 第三章 支持向量机的参数优化 | 第28-32页 |
| 3.1 优化的参数 | 第28-29页 |
| 3.1.1 正则化参数 | 第28页 |
| 3.1.2 核函数参数 | 第28-29页 |
| 3.2 基于粒子群优化的SVR模型 | 第29-30页 |
| 3.3 基于遗传算法寻优的SVR模型 | 第30-31页 |
| 3.4 基于网格搜索寻优的SVR模型 | 第31页 |
| 3.5 本章小节 | 第31-32页 |
| 第四章 支持向量机模型的实证分析 | 第32-41页 |
| 4.1 数据来源 | 第32-33页 |
| 4.2 税收数据处理 | 第33-34页 |
| 4.2.1 主成分分析处理 | 第33-34页 |
| 4.2.2 归一化处理 | 第34页 |
| 4.3 SVM参数寻优 | 第34-38页 |
| 4.3.1 粒子群算法寻优的结果 | 第34-36页 |
| 4.3.2 遗传算法寻优的结果 | 第36-37页 |
| 4.3.3 网格搜索法寻优的结果 | 第37-38页 |
| 4.4 各税收预测模型的结果分析 | 第38-40页 |
| 4.5 本章小节 | 第40-41页 |
| 结论 | 第41-42页 |
| 参考文献 | 第42-46页 |
| 攻读硕士学位期间发表论文 | 第46-48页 |
| 致谢 | 第48页 |
