| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-13页 |
| ·研究背景 | 第8-9页 |
| ·支持向量机理论研究现状 | 第9-10页 |
| ·支持向量机在分类问题中的应用研究现状 | 第10-11页 |
| ·本文主要研究的内容 | 第11-13页 |
| 第二章 支持向量分类机的理论 | 第13-22页 |
| ·引言 | 第13页 |
| ·统计学习理论与支持向量机 | 第13-16页 |
| ·VC 维 | 第13-14页 |
| ·推广性的界 | 第14页 |
| ·结构风险最小化 | 第14-15页 |
| ·核函数 | 第15-16页 |
| ·支持向量机的两分类问题 | 第16-18页 |
| ·分类问题的提出 | 第16页 |
| ·线性情形 | 第16-18页 |
| ·非线性情形 | 第18页 |
| ·支持向量机的多分类问题 | 第18-21页 |
| ·一对一方法 | 第18-19页 |
| ·一对余方法 | 第19页 |
| ·二叉树SVM 多分类方法 | 第19页 |
| ·决策导向无环图 | 第19-20页 |
| ·多分类算法性能分析 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第三章 基于支持向量不平衡数据分类问题的研究 | 第22-30页 |
| ·引言 | 第22页 |
| ·基于支持向量机的不平衡数据分类方法及评价标准 | 第22-24页 |
| ·数据预处理方法 | 第22-23页 |
| ·对原有SVM 算法的改进 | 第23页 |
| ·评价标准 | 第23-24页 |
| ·基于Smote和核函数修正的支持向量机算法(SR-SVM) | 第24-26页 |
| ·Smote 算法引进 | 第24-25页 |
| ·核函数的修正方法 | 第25-26页 |
| ·SR-SVM 算法步骤 | 第26页 |
| ·实例仿真 | 第26-28页 |
| ·结束语 | 第28-30页 |
| 第四章 支持向量多分类算法的研究 | 第30-37页 |
| ·前言 | 第30页 |
| ·多分类SVM 研究现状 | 第30页 |
| ·二叉树SVM 多分类算法的研究 | 第30-32页 |
| ·一种新的二叉树SVM 多分类算法 | 第32-34页 |
| ·构造标记二叉树的方法 | 第32-33页 |
| ·算法步骤 | 第33-34页 |
| ·实例仿真 | 第34-36页 |
| ·数据的选择 | 第34页 |
| ·仿真过程以及参数设置 | 第34-35页 |
| ·仿真结果分析 | 第35-36页 |
| ·结束语 | 第36-37页 |
| 第五章 支持向量机核函数的研究 | 第37-46页 |
| ·前言 | 第37页 |
| ·核函数理论及其特性 | 第37-40页 |
| ·核函数的定义 | 第37-38页 |
| ·核函数支持向量机 | 第38-39页 |
| ·局部核函数和全局核函数 | 第39-40页 |
| ·支持向量机核函数构造及选择研究 | 第40-42页 |
| ·从核函数中构造核函数的方法 | 第40-41页 |
| ·核函数的选择 | 第41页 |
| ·支持向量机参数优化研究 | 第41-42页 |
| ·基于混合核函数的不平衡数据分类算法的研究 | 第42-45页 |
| ·基于混合核函数的不平衡数据分类算法步骤 | 第42-43页 |
| ·实例仿真 | 第43-45页 |
| ·结束语 | 第45-46页 |
| 第六章 工作总结与展望 | 第46-48页 |
| ·工作总结 | 第46-47页 |
| ·展望 | 第47-48页 |
| 致谢 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第53页 |