| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文主要研究内容与贡献 | 第12-13页 |
| 1.4 本文的组织结构 | 第13-14页 |
| 第2章 机器学习模型基础 | 第14-26页 |
| 2.1 朴素贝叶斯（Na?ve Bayes）算法 | 第14-16页 |
| 2.1.1 基本方法 | 第14-15页 |
| 2.1.2 后验概率最大化 | 第15页 |
| 2.1.3 参数估计 | 第15-16页 |
| 2.2 支持向量机 | 第16-20页 |
| 2.2.1 函数间隔和几何间隔 | 第16-18页 |
| 2.2.2 核函数 | 第18-20页 |
| 2.3 逻辑回归（Logistic Regression） | 第20-21页 |
| 2.4 C4.5 决策树算法 | 第21-22页 |
| 2.5 集成学习 | 第22-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第3章 数据处理与模型评价 | 第26-36页 |
| 3.1 全球恐怖主义数据库 | 第26-28页 |
| 3.1.1 数据搜集 | 第26页 |
| 3.1.2 数据预处理 | 第26-28页 |
| 3.1.3 数据归一化 | 第28页 |
| 3.2 特征选择 | 第28-32页 |
| 3.2.1 特征选择的框架 | 第29-31页 |
| 3.2.2 最大相关最小冗余理论 | 第31-32页 |
| 3.2.3 特征加权 | 第32页 |
| 3.3 多分类策略 | 第32-34页 |
| 3.3.1 一对多法 | 第33页 |
| 3.3.2 一对一法 | 第33-34页 |
| 3.4 模型性能评价标准 | 第34页 |
| 3.5 本章小结 | 第34-36页 |
| 第4章 基于子空间聚类的反恐预警特征选择 | 第36-51页 |
| 4.1 启发式模糊加权子空间 | 第36-40页 |
| 4.1.1 模糊加权子空间聚类 | 第36-37页 |
| 4.1.2 启发式模糊加权子空间聚类 | 第37-39页 |
| 4.1.3 HCFWS算法流程 | 第39-40页 |
| 4.2 启发式熵加权子空间聚类 | 第40-43页 |
| 4.2.1 信息熵加权子空间聚类 | 第40-41页 |
| 4.2.2 启发式信息熵加权子空间聚类 | 第41-42页 |
| 4.2.3 HEWSC算法流程 | 第42-43页 |
| 4.3 基于聚类的恐怖主义事件特征选择 | 第43-50页 |
| 4.3.1 实验环境 | 第43页 |
| 4.3.2 恐怖主义袭击类型训练数据 | 第43-44页 |
| 4.3.3 实验设计 | 第44-45页 |
| 4.3.4 实验结果及分析 | 第45-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第5章 基于集成学习模型的反恐预警 | 第51-65页 |
| 5.1 基于特征选择的集成学习方法 | 第51-53页 |
| 5.1.1 现状描述与改进思路 | 第52-53页 |
| 5.1.2 优化推导 | 第53页 |
| 5.2 差异化样本分布的集成学习方法 | 第53-60页 |
| 5.2.1 现状描述与缺陷 | 第53-56页 |
| 5.2.2 改进思路 | 第56-58页 |
| 5.2.3 限制权重扩张的Boosting算法 | 第58-60页 |
| 5.3 实验与结果分析 | 第60-64页 |
| 5.3.1 基分类器模型选择 | 第60页 |
| 5.3.2 集成学习训练 | 第60-61页 |
| 5.3.3 实验结果分析 | 第61-64页 |
| 5.4 本章小结 | 第64-65页 |
| 总结 | 第65-67页 |
| 本文总结 | 第65-66页 |
| 工作展望 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 攻读硕士学位期间取得的研究成果 | 第70-71页 |
| 致谢 | 第71页 |