| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 前言 | 第8-14页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究意义 | 第9-10页 |
| 1.3 文献综述 | 第10-12页 |
| 1.3.1 指标体系研究现状 | 第10-11页 |
| 1.3.2 评估模型与方法的研究现状 | 第11-12页 |
| 1.4 本文研究内容与方法 | 第12-14页 |
| 第2章 评估指标体系的构建 | 第14-18页 |
| 2.1 数据的收集与预处理 | 第14页 |
| 2.2 指标的初选 | 第14-18页 |
| 2.2.1 基于粗糙集的属性约简 | 第14-16页 |
| 2.2.2 指标权重的确定 | 第16-18页 |
| 第3章 基于空间聚类的支持向量机分类原理 | 第18-24页 |
| 3.1 SVM的理论 | 第18-22页 |
| 3.1.1 统计学习理论基础(Statistical Learning Theory或SLT) | 第18-19页 |
| 3.1.2 支持向量机理论（Support Vector Machines,SVM) | 第19-22页 |
| 3.2 基于空间聚类的支持向量机分类模型 | 第22-24页 |
| 3.2.1 DBSCAN聚类算法 | 第22页 |
| 3.2.2 基于的SVM的分类原理 | 第22-24页 |
| 第4章 实证分析 | 第24-32页 |
| 4.1 数据的来源与处理 | 第24-25页 |
| 4.2 指标体系的构建 | 第25-28页 |
| 4.2.1 基于粗糙集的属性约简 | 第25-26页 |
| 4.2.2 指标权重的确定 | 第26-28页 |
| 4.3 基于密度聚类的支持向量机评估方法 | 第28-29页 |
| 4.4 模型比较 | 第29-31页 |
| 4.4.1 Altman的Z-score模型 | 第29-30页 |
| 4.4.2 Logistic回归模型 | 第30-31页 |
| 4.5 结论分析 | 第31-32页 |
| 第5章 结束语 | 第32-34页 |
| 5.1 全文总结 | 第32页 |
| 5.2 研究展望 | 第32-34页 |
| 参考文献 | 第34-37页 |
| 附录A | 第37-38页 |
| 附录B | 第38-45页 |
| 附录C | 第45-49页 |
| 附录D | 第49-53页 |
| 致谢 | 第53-55页 |
| 在学期间的科研情况 | 第55页 |