| 摘要 | 第1-4页 |
| Abstract | 第4-6页 |
| 目录 | 第6-8页 |
| 1 绪论 | 第8-16页 |
| ·课题的背景 | 第8-9页 |
| ·时态数据挖掘综述 | 第9-12页 |
| ·数据挖掘综述 | 第9页 |
| ·时态数据挖掘综述 | 第9-12页 |
| ·支持向量机综述 | 第12-14页 |
| ·研究意义 | 第14页 |
| ·本文主要内容及创新点 | 第14-16页 |
| 2 时态模型构造 | 第16-26页 |
| ·与时间相关的一些概念和性质 | 第16-21页 |
| ·时态型和时间粒度 | 第16-20页 |
| ·时态型的连续性 | 第20-21页 |
| ·时态事件 | 第21-22页 |
| ·时态数据模型 | 第22-25页 |
| ·分析方法 | 第22页 |
| ·时态数据构造 | 第22-25页 |
| ·本章小结 | 第25-26页 |
| 3 支持向量机理论 | 第26-39页 |
| ·统计学习理论的基本思想 | 第26-29页 |
| ·VC维 | 第26-27页 |
| ·泛化误差的边界 | 第27页 |
| ·结构风险最小化原理 | 第27-29页 |
| ·支持向量分类机(Support Vector Classification，SVC) | 第29-36页 |
| ·线性支持向量分类机 | 第29-33页 |
| ·非线性支持向量分类机 | 第33-36页 |
| ·支持向量回归机(Support Vector Regression，SVR) | 第36-38页 |
| ·回归问题的数学提法 | 第36页 |
| ·支持向量回归机 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 4 基于支持向量机的时态数据预测 | 第39-52页 |
| ·v-支持向量回归机 | 第39-40页 |
| ·基于v-SVR的时态数据预测模型 | 第40-43页 |
| ·模型数据的预处理 | 第40-42页 |
| ·模型的构造 | 第42-43页 |
| ·模型的评价指标 | 第43页 |
| ·模型在证券数据分析中的应用 | 第43-51页 |
| ·试验数据的选取 | 第43-44页 |
| ·实验步骤 | 第44-46页 |
| ·实验数据分析 | 第46-51页 |
| ·本章小结 | 第51-52页 |
| 5 基于支持向量机的时态周期模式发现 | 第52-61页 |
| ·v-支持向量分类机 | 第52-54页 |
| ·时态数据周期模型 | 第54-56页 |
| ·时态数据模型的扩展 | 第54页 |
| ·模型构造 | 第54-55页 |
| ·周期模式算法 | 第55-56页 |
| ·证券数据的周期发现 | 第56-60页 |
| ·实验步骤 | 第56-57页 |
| ·实验数据分析 | 第57-60页 |
| ·本章小结 | 第60-61页 |
| 6 总结和展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 攻读硕士期间公开发表的论文 | 第67页 |