数据挖掘技术在聚合过程中的应用
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·课题研究背景及意义 | 第7页 |
| ·数据挖掘技术 | 第7-11页 |
| ·数据挖掘技术的特点 | 第7-8页 |
| ·数据挖掘技术的一般过程 | 第8-10页 |
| ·数据挖掘技术的国内外研究状况 | 第10-11页 |
| ·论文结构安排 | 第11-13页 |
| 第二章 数据信息提取工具—SVM | 第13-20页 |
| ·统计学理论与结构风险最小化准则 | 第13页 |
| ·支持向量机与最优分类面 | 第13-14页 |
| ·线性支持向量回归机 | 第14-17页 |
| ·线性SVR | 第14-16页 |
| ·核函数 | 第16-17页 |
| ·非线性支持向量回归机 | 第17-18页 |
| ·SVR 的参数选择 | 第18页 |
| ·小结 | 第18-20页 |
| 第三章 基于分类树组合SVM 的软测量建模 | 第20-24页 |
| ·引言 | 第20页 |
| ·样本特征 | 第20页 |
| ·基于样本特征的分类树的建立 | 第20-22页 |
| ·组合SVM 模型的建立 | 第22页 |
| ·实验仿真 | 第22-23页 |
| ·结论 | 第23-24页 |
| 第四章 基于类别特征提取的组合SVM 模型 | 第24-30页 |
| ·引言 | 第24-25页 |
| ·LDA 理论分析 | 第25-26页 |
| ·经典 LDA | 第25页 |
| ·经典LDA 的方法学意义 | 第25页 |
| ·改进的 LDA 算法 | 第25-26页 |
| ·边界特征向量提取 | 第26页 |
| ·基于特征提取组合SVM 模型的建立 | 第26-28页 |
| ·实验仿真 | 第28-29页 |
| ·结论 | 第29-30页 |
| 第五章 基于贝叶斯分类器的组合模型 | 第30-35页 |
| ·引言 | 第30页 |
| ·朴素贝叶斯算法 | 第30-31页 |
| ·贝叶斯分类器的建立 | 第31-32页 |
| ·基于贝叶斯分类器和 LDA 的模型建立 | 第32-33页 |
| ·仿真 | 第33-34页 |
| ·结论 | 第34-35页 |
| 第六章 基于BOOSTING 算法的SVM 模型 | 第35-40页 |
| ·引言 | 第35页 |
| ·Boosting 算法 | 第35页 |
| ·改进的 Boosting 支持向量回归算法 | 第35-37页 |
| ·模型建立 | 第37-38页 |
| ·仿真 | 第38-39页 |
| ·总结 | 第39-40页 |
| 第七章 总结与展望 | 第40-42页 |
| ·本文的工作总结 | 第40页 |
| ·展望 | 第40-42页 |
| 致谢 | 第42-43页 |
| 参考文献 | 第43-49页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第49页 |
