| 摘要 | 第4-6页 |
| Abstract | 第6页 |
| 引言 | 第10-11页 |
| 1． 数据挖掘简介 | 第11-18页 |
| 1． 1 数据挖掘技术的发展 | 第11页 |
| 1． 2 统计学习理论简介 | 第11-13页 |
| 1． 2． 1 VC维 | 第11-12页 |
| 1． 2． 2 推广的界 | 第12-13页 |
| 1． 3 神经网络简介 | 第13-14页 |
| 1． 4 主要的数据挖掘方法 | 第14-16页 |
| 1． 5 数据挖掘的实际应用及发展前景 | 第16-17页 |
| 1． 6 本文主要工作 | 第17-18页 |
| 2． 支持向量机方法 | 第18-35页 |
| 2． 1 支持向量机简介 | 第18-20页 |
| 2． 1． 1 支持向量机的模型 | 第18-20页 |
| 2． 1． 2 处理约束约化的一种光滑化方法 | 第20页 |
| 2． 2 数据预处理的核函数方法 | 第20-22页 |
| 2． 3 支持向量机的训练算法 | 第22-23页 |
| 2． 4 支持向量机的增量学习 | 第23-29页 |
| 2． 4． 1 支持向量性质分析 | 第24-26页 |
| 2． 4． 2 增量学习算法 | 第26页 |
| 2． 4． 3 数值实验 | 第26-29页 |
| 2． 5 支持向量机应用于特征提取 | 第29-35页 |
| 2． 5． 1 已有的特征提取方法 | 第29-31页 |
| 2． 5． 2 改进的特征提取方法 | 第31-32页 |
| 2． 5． 3 应用实例：The Disputed Federalist Papers | 第32-35页 |
| 3． 近似支持向量机方法 | 第35-42页 |
| 3． 1 近似支持向量简介 | 第35页 |
| 3． 2 近似支持向量机与支持向量机的关系 | 第35-37页 |
| 3． 3 近似支持向量机的学习方法研究 | 第37-39页 |
| 3． 4 数值模拟 | 第39-42页 |
| 4． 聚类分析 | 第42-50页 |
| 4． 1 聚类分析方法简介 | 第42-43页 |
| 4． 2 流行的k-medians算法简介 | 第43-45页 |
| 4． 3 基于2-范数平方的k-means算法 | 第45-48页 |
| 4． 3． 1 算法分析 | 第45-46页 |
| 4． 3． 2 收敛性证明 | 第46-48页 |
| 4． 4 聚类分析的应用 | 第48-50页 |
| 结论 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 攻读硕士学位期间发表学术论文情况 | 第55-56页 |
| 致谢 | 第56-57页 |
| 大连理工大学学位论文版权使用授权书 | 第57页 |