| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-20页 |
| 1.1 课题的来源 | 第9-10页 |
| 1.2 课题研究的背景和意义 | 第10-12页 |
| 1.2.1 课题研究的背景 | 第10-11页 |
| 1.2.2 课题研究的意义 | 第11-12页 |
| 1.3 国内外的研究现状及分析 | 第12-17页 |
| 1.3.1 企业财务危机预测国内外研究现状 | 第12-14页 |
| 1.3.2 特征选择国内外研究现状 | 第14-16页 |
| 1.3.3 国内外研究现状评述 | 第16-17页 |
| 1.4 研究思路和研究内容 | 第17-20页 |
| 1.4.1 研究思路 | 第17页 |
| 1.4.2 研究内容 | 第17-18页 |
| 1.4.3 研究框架 | 第18-20页 |
| 第2章 基于遗传算法的特征选择研究理论基础 | 第20-31页 |
| 2.1 遗传算法概述与实现 | 第20-24页 |
| 2.1.1 遗传算法的定义 | 第20页 |
| 2.1.2 遗传算法的特点 | 第20-21页 |
| 2.1.3 遗传算法的应用 | 第21-22页 |
| 2.1.4 简单遗传算法运算步骤 | 第22-24页 |
| 2.2 特征选择概述 | 第24-29页 |
| 2.2.1 特征选择定义 | 第24-25页 |
| 2.2.2 特征选择过程 | 第25-26页 |
| 2.2.3 特征选择方法概述 | 第26-29页 |
| 2.3 基于遗传算法的特征选择 | 第29-30页 |
| 2.3.1 基于遗传算法的特征选择概述 | 第29页 |
| 2.3.2 基于遗传算法的特征选择的优点 | 第29页 |
| 2.3.3 特征选择的遗传算法描述 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 基于遗传算法的特征选择模型研究 | 第31-37页 |
| 3.1 基于混合式选择模式的特征选择 | 第31-32页 |
| 3.2 双准则评价模型 | 第32-34页 |
| 3.2.1 信息增益 | 第32-33页 |
| 3.2.2 相关系数 | 第33-34页 |
| 3.3 基于混合遗传算法和人工神经网络的搜索方式 | 第34-35页 |
| 3.4 基于遗传算法的混合式特征选择模型的改进性能分析 | 第35-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 企业财务危机预测特征选择实例分析 | 第37-55页 |
| 4.1 企业财务危机预测特征选择的数据来源 | 第37-39页 |
| 4.2 过滤式选择模式结果 | 第39-43页 |
| 4.2.1 信息增益评价结果 | 第39-40页 |
| 4.2.2 相关系数评价结果 | 第40-42页 |
| 4.2.3 最终筛选特征子集结果 | 第42-43页 |
| 4.3 封装式模式筛选结果 | 第43-47页 |
| 4.3.1 遗传算法设计 | 第43-45页 |
| 4.3.2 人工神经网络设计 | 第45-46页 |
| 4.3.3 特征选择实验结果 | 第46-47页 |
| 4.4 模型对比评价 | 第47-52页 |
| 4.4.1 改进前模型实验结果 | 第47-49页 |
| 4.4.2 两组特征子集预测分类性能比较 | 第49-52页 |
| 4.5 企业财务危机预测实证分析 | 第52-54页 |
| 4.5.1 将最优特征组合用于预测企业财务危机预警 | 第52页 |
| 4.5.2 2017年企业财务危机预测结果及分析 | 第52-54页 |
| 4.6 本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 附录 | 第61-68页 |
| 附录 1 | 第61-63页 |
| 附录 2 | 第63-68页 |
| 致谢 | 第68页 |