| 摘要 | 第1-7页 |
| ABSTRACT | 第7-13页 |
| 第1章 绪论 | 第13-23页 |
| ·研究背景与意义 | 第13-14页 |
| ·鲁棒支持向量机研究综述 | 第14-19页 |
| ·统计学习理论的发展 | 第14-15页 |
| ·支持向量机模型的鲁棒性 | 第15-18页 |
| ·鲁棒最小二乘支持向量机 | 第18-19页 |
| ·研究内容和结构安排 | 第19-20页 |
| ·研究方法和思路 | 第20-21页 |
| ·论文的技术路径 | 第21页 |
| ·论文的创新点 | 第21-23页 |
| 第2章 二分类问题 | 第23-34页 |
| ·引言 | 第23页 |
| ·二分类模型 | 第23-24页 |
| ·贝叶斯分类模型 | 第23-24页 |
| ·非贝叶斯分类模型 | 第24页 |
| ·分类模型准确率的估计方法 | 第24-26页 |
| ·分类误差概率估计 | 第25页 |
| ·K-阶交叉验证 | 第25-26页 |
| ·二分类算法的有效性 | 第26-27页 |
| ·支持向量机 | 第27-31页 |
| ·结构风险极小化原则 | 第27-28页 |
| ·支持向量机模型 | 第28-31页 |
| ·最小二乘支持向量机模型 | 第31-33页 |
| ·最小二乘支持向量机模型的求解 | 第32-33页 |
| ·小结 | 第33-34页 |
| 第3章 鲁棒最小二乘支持向量机中的特征抽取和选择 | 第34-62页 |
| ·引言 | 第34页 |
| ·特征选择和抽取 | 第34-37页 |
| ·核主成分法 | 第37-38页 |
| ·核主成份法的计算 | 第38页 |
| ·稀疏L_1范数LS-SVM模型 | 第38-40页 |
| ·双层L_1-LS-SVM模型 | 第40-49页 |
| ·算法程序 | 第40-42页 |
| ·数据测试结果和分析 | 第42-49页 |
| ·模糊L_1最小二乘支持向量机 | 第49-61页 |
| ·模糊隶属度 | 第49-50页 |
| ·模糊SVM和模糊LS-SVM | 第50页 |
| ·模糊L_1-LS-SVM模型 | 第50-53页 |
| ·模糊L_1-LS-SVM模型的计算 | 第53页 |
| ·数据测试结果和分析 | 第53-61页 |
| ·小结 | 第61-62页 |
| 第4章 最小二乘支持向量机的鲁棒分类模型 | 第62-83页 |
| ·引言 | 第62-63页 |
| ·L_p范数支持向量机的分类模型 | 第63-70页 |
| ·线性可分的情况 | 第63-65页 |
| ·线性不可分的情况 | 第65-66页 |
| ·L_0范数支持向量机 | 第66-68页 |
| ·自适应L_p支持向量机模型 | 第68-69页 |
| ·L_p范数的一般求解方法 | 第69-70页 |
| ·鲁棒赋权自适应L_p最小二乘支持向量机 | 第70-82页 |
| ·稀疏鲁棒LS-SVM模型 | 第71-72页 |
| ·鲁棒赋权自适应L_p-LS-SVM | 第72-73页 |
| ·算法设计 | 第73-74页 |
| ·实验结果和分析 | 第74-82页 |
| ·小结 | 第82-83页 |
| 第5章 信用风险评估实证 | 第83-97页 |
| ·引言 | 第83-84页 |
| ·KPCA-L_1-LS-SVM模型在信用风险中的应用 | 第84-87页 |
| ·模糊L_1-LS-SVM模型在信用风险中的应用 | 第87-91页 |
| ·鲁棒赋权自适应L_p-LS-SVM模型在信用风险中的应用 | 第91-96页 |
| ·小结 | 第96-97页 |
| 第6章 总结与展望 | 第97-99页 |
| ·研究工作总结 | 第97-98页 |
| ·进一步研究的问题 | 第98-99页 |
| 参考文献 | 第99-106页 |
| 图附录 | 第106-107页 |
| 表附录 | 第107-109页 |
| 致谢 | 第109-111页 |
| 在读期间发表的论文与取得的研究成果 | 第111-112页 |
| 在读期间参加的课题 | 第112页 |