基于改进SVM的创新项目评价模型研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 课题背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 研究目的及主要工作 | 第13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 2 相关算法与基础理论 | 第15-29页 |
| 2.1 常用数据降维算法 | 第15-19页 |
| 2.1.1 主成分分析法 | 第15-16页 |
| 2.1.2 多维尺度变换 | 第16-18页 |
| 2.1.3 局部线性降维算法 | 第18-19页 |
| 2.2 遗传算法理论 | 第19-21页 |
| 2.2.1 基本概念 | 第19-20页 |
| 2.2.2 遗传算法的原理 | 第20页 |
| 2.2.3 遗传算法的优点 | 第20-21页 |
| 2.3 支持向量机算法理论 | 第21-24页 |
| 2.3.1 线性情况 | 第21-22页 |
| 2.3.2 非线性情况 | 第22-23页 |
| 2.3.3 多分类情况 | 第23-24页 |
| 2.4 分类器性能评价标准 | 第24-28页 |
| 2.4.1 正确率和召回率 | 第24-26页 |
| 2.4.2 ROC曲线 | 第26-28页 |
| 2.5 小结 | 第28-29页 |
| 3 基于机器学习的创新项目评价模型 | 第29-45页 |
| 3.1 实验数据来源及预处理 | 第29-37页 |
| 3.1.1 数据来源 | 第29-36页 |
| 3.1.2 数据预处理 | 第36-37页 |
| 3.2 创新项目评价模型 | 第37-44页 |
| 3.2.1 直接使用SVM进行分类 | 第37-40页 |
| 3.2.2 降维算法在分类中的应用 | 第40-42页 |
| 3.2.3 评价模型分析 | 第42-44页 |
| 3.3 小结 | 第44-45页 |
| 4 改进的支持向量机评价模型 | 第45-55页 |
| 4.1 监督局部线性嵌入 | 第45-49页 |
| 4.1.1 算法过程 | 第45-46页 |
| 4.1.2 邻域和维度 | 第46-47页 |
| 4.1.3 测试样本降维 | 第47页 |
| 4.1.4 实验结果 | 第47-49页 |
| 4.2 基于遗传算法的SVM评价模型 | 第49-52页 |
| 4.2.1 基于改进遗传算法的参数优化 | 第49-51页 |
| 4.2.2 遗传算法优化的SVM评价模型 | 第51-52页 |
| 4.2.3 实验结果分析 | 第52页 |
| 4.3 实验结论 | 第52-53页 |
| 4.4 小结 | 第53-55页 |
| 5 总结与展望 | 第55-57页 |
| 5.1 研究工作总结 | 第55-56页 |
| 5.2 后续工作展望 | 第56-57页 |
| 致谢 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第63页 |
