| 中文摘要 | 第1-10页 |
| ABSTRACT | 第10-12页 |
| 第一章 引言 | 第12-16页 |
| ·研究背景 | 第12-13页 |
| ·国内外研究动态 | 第13-14页 |
| ·本文主要内容及组织结构 | 第14-16页 |
| 第二章 背景知识 | 第16-20页 |
| ·支持向量机简介 | 第16-17页 |
| ·粒度计算理论 | 第17-18页 |
| ·关联规则挖掘理论 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 第三章 基于多维关联规则挖掘的粒度支持向量机学习方法 | 第20-32页 |
| ·粒度支持向量机学习原理 | 第20-22页 |
| ·粒度支持向量机基本原理 | 第20-21页 |
| ·基于关联规则的粒度支持向量机学习模型 | 第21-22页 |
| ·基于多维关联规则的粒划分 | 第22-24页 |
| ·原始空问上的粒划分 | 第22-24页 |
| ·核空间的粒划分 | 第24页 |
| ·基于多维关联规则挖掘的粒度SVM学习方法 | 第24-27页 |
| ·AR-GSVM和AR-KGSVM学习原理 | 第24-25页 |
| ·AR-GSVM和AR-KGSVM学习算法 | 第25-27页 |
| ·实验结果与分析 | 第27-30页 |
| ·粒度参数的选择 | 第27-29页 |
| ·算法有效性验证 | 第29-30页 |
| ·本章小结 | 第30-32页 |
| 第四章 AR-GSVM和AR-KGSVM在非平衡数据处理中的应用 | 第32-40页 |
| ·非平衡数据简介 | 第32页 |
| ·非平衡数据处理方法 | 第32-33页 |
| ·分类器性能评价标准 | 第33-34页 |
| ·实验结果与分析 | 第34-38页 |
| ·在同一数据集上不同正负比例下的实验结果 | 第34-37页 |
| ·在UCI数据集上分类能力的实验结果 | 第37-38页 |
| ·本章小结 | 第38-40页 |
| 第五章 总结与展望 | 第40-42页 |
| 参考文献 | 第42-46页 |
| 致谢 | 第46-47页 |
| 攻读学位期间取得的研究成果 | 第47-48页 |
| 个人简况及联系方式 | 第48-50页 |