| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 目录 | 第6-8页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 特征选择的发展与研究现状 | 第9-10页 |
| 1.3 支持向量机的研究现状 | 第10-11页 |
| 1.4 本文立题的理论依据及主要研究内容 | 第11-12页 |
| 1.5 论文组织结构 | 第12-14页 |
| 2 特征选择 | 第14-25页 |
| 2.1 特征选择基本概念与一般过程 | 第14-16页 |
| 2.2 特征选择分类 | 第16-20页 |
| 2.3 特征选择与特征提取的区别 | 第20-21页 |
| 2.4 特征选择与学习算法的关系 | 第21-22页 |
| 2.5 特征选择应用 | 第22-23页 |
| 2.6 本章小结 | 第23-25页 |
| 3 基于支持向量机的递归特征消除方法 | 第25-37页 |
| 3.1 支持向量机 | 第25-30页 |
| 3.1.1 统计学习理论 | 第25-26页 |
| 3.1.2 SVM基本原理 | 第26-29页 |
| 3.1.3 SVM的优点 | 第29-30页 |
| 3.2 SVM-RFE算法 | 第30-33页 |
| 3.2.1 SVM-RFE算法原理与流程 | 第30-32页 |
| 3.2.2 SVM-RFE研究现状 | 第32-33页 |
| 3.3 SVM-RFE特征选择应用 | 第33-36页 |
| 3.3.1 实验数据 | 第33页 |
| 3.3.2 实验结果与分析 | 第33-36页 |
| 3.4 本章小结 | 第36-37页 |
| 4 基于粒子群算法的特征选择算法 | 第37-44页 |
| 4.1 粒子群算法 | 第37-41页 |
| 4.1.1 粒子群算法的发展现状 | 第37-38页 |
| 4.1.2 粒子群算法的基本原理 | 第38-40页 |
| 4.1.3 自适应粒子群算法 | 第40页 |
| 4.1.4 离散二进制粒子群算法 | 第40-41页 |
| 4.2 粒子群算法在特征选择中的应用 | 第41-43页 |
| 4.2.1 BPSO-SVM特征选择 | 第41-42页 |
| 4.2.2 实验数据 | 第42页 |
| 4.2.3 实验结果与分析 | 第42-43页 |
| 4.3 本章小结 | 第43-44页 |
| 5 SVM-RFE-BPSO算法在特征选择中的应用 | 第44-56页 |
| 5.1 引言 | 第44-45页 |
| 5.2 SVM-RFE和粒子群特征选择算法 | 第45-47页 |
| 5.2.1 SVM-RFE特征选择 | 第45页 |
| 5.2.2 SVM-RFE引导粒子群算法 | 第45-47页 |
| 5.3 SVM-RFE-BPSO特征选择模型 | 第47-49页 |
| 5.4 实验结果与分析 | 第49-56页 |
| 5.4.1 实验环境和实验数据 | 第49页 |
| 5.4.2 实验过程 | 第49-55页 |
| 5.4.3 结论分析 | 第55-56页 |
| 6 总结 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63-64页 |
| 附录：攻读硕士学位期间发表的论文 | 第64-65页 |