| 中文摘要 | 第1-7页 |
| 引言 | 第7-8页 |
| 1 粗糙集 | 第8-19页 |
| 1．1 粗糙集的基本概念 | 第9-11页 |
| 1．1．1 知识与不可分辨关系 | 第9页 |
| 1．1．2 粗糙集的下逼近、上逼近、边界区和粗糙隶属函数 | 第9-11页 |
| 1．2 信息系统及简化 | 第11-14页 |
| 1．2．1 信息系统的表示 | 第11-12页 |
| 1．2．2 属性的简化和核 | 第12-13页 |
| 1．2．3 属性值的简化和值核 | 第13-14页 |
| 1．3 分类规则发现 | 第14-19页 |
| 1．3．1 算法 | 第14-15页 |
| 1．3．2 举例 | 第15-19页 |
| 2 支持向量机 | 第19-32页 |
| 2．1 支持向量机的理论基础 | 第19-21页 |
| 2．1．1 问题的表示 | 第19-20页 |
| 2．1．2 经验风险最小化 | 第20-21页 |
| 2．1．3 复杂性与推广能力 | 第21页 |
| 2．2 统计学习理论的核心内容 | 第21-23页 |
| 2．2．1 VC维 | 第21-22页 |
| 2．2．2 推广性的界 | 第22-23页 |
| 2．2．3 结构风险最小化 | 第23页 |
| 2．3 线性支持向量机 | 第23-26页 |
| 2．4 广义最优分类面 | 第26-29页 |
| 2．5 支持向量机 | 第29-30页 |
| 2．6 核函数 | 第30-31页 |
| 2．7 支持向量机算法总结 | 第31页 |
| 2．8 多类问题 | 第31页 |
| 2．9 SVM特点 | 第31-32页 |
| 2．10 SVM的不足 | 第32页 |
| 2．11 关于SVM的改进 | 第32页 |
| 3 基于粗集理论和SVM的多值分类算法 | 第32-40页 |
| 3．1 一对多二值分类算法 | 第33页 |
| 3．1．1 训练方法 | 第33页 |
| 3．1．2 测试方法 | 第33页 |
| 3．2 一对一（配对）SVM | 第33-34页 |
| 3．2．1 训练方法 | 第33-34页 |
| 3．2．2 测试方法 | 第34页 |
| 3．3 基于粗集理论和SVM的多值分类算法 | 第34页 |
| 3．4 应用举例 | 第34-40页 |
| 3．4．1 手写汉字识别 | 第34-36页 |
| 3．4．2 仿真试验 | 第36-40页 |
| 4 结论 | 第40-41页 |
| 参考文献 | 第41-43页 |
| 英文摘要 | 第43-44页 |
| 致谢 | 第44页 |