| 中文摘要 | 第1-6页 |
| 英文摘要 | 第6-8页 |
| 目录 | 第8-11页 |
| 第一章 概述 | 第11-27页 |
| 1．1 商空间及粒度分析 | 第11-12页 |
| 1．2 模式识别与机器学习 | 第12-14页 |
| 1．3 构造性学习理论与方法 | 第14-19页 |
| 1．4 基于商空间的构造性数据挖掘方法 | 第19-22页 |
| 1．5 金融工程中时间序列特征识别问题概述 | 第22-24页 |
| 1．6 论文各部分的主要内容 | 第24-27页 |
| 第二章 基于覆盖算法的构造性神经网络 | 第27-60页 |
| 2．1 构造性的神经网络 | 第27-29页 |
| 2．2 覆盖算法的几何意义 | 第29-36页 |
| 2．2．1 几何意义 | 第30-33页 |
| 2．2．2 覆盖算法 | 第33-36页 |
| 2．3 覆盖算法的理论分析 | 第36-43页 |
| 2．3．1 样本集的选择与学习的顺序 | 第36-38页 |
| 2．3．2 隐含层神经元数的降低 | 第38-39页 |
| 2．3．3 泛化能力与识别精度 | 第39-43页 |
| 2．4 算法的改进 | 第43-58页 |
| 2．4．1 剔除特征显性不足的点对主分量分析算法DPCAA | 第43-48页 |
| 2．4．2 多侧面递进的学习算法MIDA | 第48-56页 |
| 2．4．3 重复覆盖算法RCA | 第56-58页 |
| 2．5 本章小结 | 第58-60页 |
| 第三章 商空间模型表示的决策型数据挖掘规则的方法（DDMR） | 第60-91页 |
| 3．1 商空间模型的对象分析和表示 | 第60-66页 |
| 3．1．1 商空间的结构性质 | 第61-62页 |
| 3．1．2 粒度的确定 | 第62-63页 |
| 3．1．3 商空间的合成技术 | 第63-66页 |
| 3．2 商空间模型表示的决策型数据挖掘规则的方法（DDMR） | 第66-76页 |
| 3．2．1 多数据表的结构 | 第67-72页 |
| 3．2．2 商空间模型表示的决策型数据挖掘规则的方法 | 第72-76页 |
| 3．3 粗糙集理论分析 | 第76-82页 |
| 3．3．1 基本算法及其复杂度 | 第77-80页 |
| 3．3．2 理论扩展 | 第80-82页 |
| 3．4 商空间理论的特性 | 第82-90页 |
| 3．4．1 基本算法及其复杂度 | 第83-85页 |
| 3．4．2 理论扩展 | 第85-90页 |
| 3．5 本章小结 | 第90-91页 |
| 第四章 DDMR方法在金融工程预测中的应用 | 第91-109页 |
| 4．1 股票市场预测性分析 | 第91-93页 |
| 4．2 时间序列的预测问题 | 第93-97页 |
| 4．3 股票指数预测建模 | 第97-100页 |
| 4．3．1 时间序列的构成 | 第97-98页 |
| 4．3．2 交易量序列的构成 | 第98-99页 |
| 4．3．3 归一化 | 第99-100页 |
| 4．4 DDMR在股市预测中的应用 | 第100-106页 |
| 4．4．1 时间序列预测 | 第100-104页 |
| 4．4．2 交易量序列预测 | 第104-106页 |
| 4．5 结论与分析 | 第106-109页 |
| 第五章 结论与展望 | 第109-113页 |
| 5．1 结论 | 第109-111页 |
| 5．2 创新点 | 第111-112页 |
| 5．3 展望 | 第112-113页 |
| 参考文献 | 第113-121页 |
| 致谢 | 第121-122页 |
| 攻读博士学位期间发表的文章 | 第122-123页 |
