| 中文摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 研究现状 | 第11-12页 |
| 1.3 本文主要工作 | 第12-14页 |
| 1.4 本文内容安排 | 第14-15页 |
| 第二章 若干属性选择算法的研究 | 第15-28页 |
| 2.1 属性选择的基本理论 | 第15-17页 |
| 2.2.1 属性选择的定义 | 第15-16页 |
| 2.2.2 属性选择模型分类 | 第16页 |
| 2.2.3 属性选择步骤的描述 | 第16-17页 |
| 2.2 基于粗糙集的属性选择方法 | 第17-23页 |
| 2.2.1 经典粗糙集理论 | 第18-21页 |
| 2.2.2 基于邻域的粗糙集 | 第21-22页 |
| 2.2.3 邻域粗糙集属性约减 | 第22-23页 |
| 2.3 基于灰色关联的属性选择方法 | 第23-26页 |
| 2.3.1 灰色关联分析 | 第23-24页 |
| 2.3.2 属性重叠度 | 第24-26页 |
| 2.4 基于线性相关性的属性选择方法 | 第26-28页 |
| 2.4.1 条件属性与决策属性之间的关联性 | 第26页 |
| 2.4.2 线性相关系数 | 第26-28页 |
| 第三章 支持向量机 | 第28-37页 |
| 3.1 支持向量机概述 | 第28-29页 |
| 3.2 线性可分支持向量机 | 第29-30页 |
| 3.3 近似线性可分支持向量机 | 第30-32页 |
| 3.4 非线性可分支持向量机 | 第32-33页 |
| 3.5 核函数及其本质 | 第33-34页 |
| 3.6 支持向量机回归 | 第34-35页 |
| 3.7 最小二乘支持向量机 | 第35-37页 |
| 第四章 属性选择算法作为支持向量机前端的组合模型 | 第37-46页 |
| 4.1 组合模型概述 | 第37页 |
| 4.2 PSO-SVM学习机 | 第37-39页 |
| 4.2.1 粒子群算法 | 第37-38页 |
| 4.2.2 粒子群算法优化支持向量机参数 | 第38-39页 |
| 4.3 属性选择-PSO-SVM组合模型的设计与实现 | 第39-45页 |
| 4.3.1 组合模型的整体设计 | 第39-42页 |
| 4.3.2 标准化处理数据 | 第42页 |
| 4.3.3 基于邻域粗糙集约减决策表的实现 | 第42-43页 |
| 4.3.4 基于灰度关联分析约减决策表的实现 | 第43-44页 |
| 4.3.5 基于线性相关性约减决策表的实现 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 实验 | 第46-52页 |
| 5.1 实验数据描述 | 第46-47页 |
| 5.2 实验评价指标 | 第47-48页 |
| 5.3 实验结果及分析 | 第48-51页 |
| 5.4 本章小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-54页 |
| 6.1 本文完成的工作 | 第52-53页 |
| 6.2 本文的不足和展望 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 在学期间的研究成果 | 第57-58页 |
| 致谢 | 第58页 |