| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 选题的研究背景和意义 | 第14-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.2.1 支持向量机理论研究现状 | 第16-18页 |
| 1.2.2 支持向量机应用研究现状 | 第18页 |
| 1.3 选择支持向量的方法 | 第18-19页 |
| 1.4 现有的SVM软件或程序 | 第19-20页 |
| 1.5 本文的研究内容与组织结构 | 第20-22页 |
| 1.5.1 本文的研究内容 | 第20页 |
| 1.5.2 本文的结构安排 | 第20-22页 |
| 第二章 支持向量机理论概述 | 第22-32页 |
| 2.1 统计学习理论 | 第22-24页 |
| 2.1.1 经验风险最小化 | 第22-23页 |
| 2.1.2 函数集的VC维 | 第23-24页 |
| 2.1.3 结构风险最小化 | 第24页 |
| 2.2 支持向量机 | 第24-29页 |
| 2.2.1 线性支持向量机 | 第25-27页 |
| 2.2.2 引入松弛变量 | 第27-28页 |
| 2.2.3 核函数 | 第28-29页 |
| 2.3 大规模训练集问题的求解算法 | 第29-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 基于RF的SVM大规模数据预处理技术 | 第32-46页 |
| 3.1 支持向量机的研究 | 第32-33页 |
| 3.2 随机森林 | 第33-37页 |
| 3.2.1 决策树 | 第33-34页 |
| 3.2.2 随机森林的构建过程 | 第34-36页 |
| 3.2.3 随机森林的定义及性质 | 第36-37页 |
| 3.3 支持向量机训练数据选择算法 | 第37-39页 |
| 3.4 随机分组抽样集成算法（RPSE） | 第39-41页 |
| 3.4.1 算法描述 | 第39-40页 |
| 3.4.2 参数选择 | 第40-41页 |
| 3.4.3 复杂度分析 | 第41页 |
| 3.5 实验分析 | 第41-45页 |
| 3.5.1 实验设计 | 第41-42页 |
| 3.5.2 分类结果 | 第42-44页 |
| 3.5.3 时间复杂度分析 | 第44-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第四章 RPSE算法处理不平衡数据的优化研究 | 第46-58页 |
| 4.1 不平衡数据分类困难的原因 | 第46-48页 |
| 4.2 传统的不平衡数据集分类问题的解决办法 | 第48-52页 |
| 4.2.1 基于集成规则的不平衡数据分类算法 | 第50-52页 |
| 4.2.2 上述算法存在的问题 | 第52页 |
| 4.3 RPSE算法的推广 | 第52-53页 |
| 4.4 使用RPSE算法解决不平衡数据分类问题的实验分析 | 第53-56页 |
| 4.4.1 数据集描述 | 第53页 |
| 4.4.2 实验设置 | 第53-54页 |
| 4.4.3 实验结果及分析 | 第54-56页 |
| 4.5 本章小结 | 第56-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 工作总结 | 第58页 |
| 5.2 工作展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-66页 |
| 作者简介 | 第66-67页 |