| 提要 | 第1-8页 |
| 第一章 绪论 | 第8-15页 |
| §1 问题研究的背景及意义 | 第8-9页 |
| §2 国内外研究现状 | 第9-13页 |
| ·k近邻方法 | 第10-11页 |
| ·贝叶斯分类器(Bayesian Network Classifier) | 第11页 |
| ·人工神经网络(Artificial Neural Networks,ANN) | 第11页 |
| ·支持向量机(Support vector machine) | 第11-12页 |
| ·GEPSVM | 第12页 |
| ·双重支持向量机(TWSVM) | 第12-13页 |
| §3 本文的研究方法及内容 | 第13页 |
| §4 本文的结构 | 第13-15页 |
| 第二章 支持向量机 | 第15-21页 |
| §1 线性可分支持向量机 | 第15-16页 |
| §2 优化问题的求解 | 第16-18页 |
| §3 线性不可分支持向量机 | 第18-19页 |
| §4 非线性支持向量机 | 第19-21页 |
| 第三章 TWSVM二分类算法及不均衡问题研究 | 第21-27页 |
| §1 TWSVM线性二分类算法 | 第21-23页 |
| §2 TWSVM非线性二分类算法 | 第23-24页 |
| §3 不均衡问题实验结果及性能分析 | 第24-27页 |
| 第四章 多分类支持向量机方法简介 | 第27-30页 |
| §1 一对一方法 | 第27页 |
| §2 一对余方法 | 第27-28页 |
| §3 Crammer-Singer多分类方法 | 第28-30页 |
| 第五章 基于TWSVM的多分类算法 | 第30-36页 |
| §1 基于TWSVM的线性多分类算法 | 第30-32页 |
| §2 基于TWSVM的非线性多分类算法 | 第32-34页 |
| §3 实验结果 | 第34-36页 |
| 第六章 结论与展望 | 第36-38页 |
| §1 结论 | 第36页 |
| §2 工作展望 | 第36-38页 |
| 参考文献 | 第38-43页 |
| 中文摘要 | 第43-47页 |
| Abstract | 第47-51页 |
| 致谢 | 第51-52页 |
| 作者简历 | 第52-53页 |
| 在校期间发表论文 | 第53页 |
