| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文的主要工作 | 第12-13页 |
| 1.4 本文的组织架构 | 第13-14页 |
| 第二章 基于支持向量机的多分类技术 | 第14-31页 |
| 2.1 支持向量机的概述 | 第14页 |
| 2.2 支持向量机的基础原理 | 第14-18页 |
| 2.2.1 机器学习 | 第14-16页 |
| 2.2.2 经验风险最小化原理 | 第16-17页 |
| 2.2.3 结构风险最小化原理 | 第17-18页 |
| 2.3 支持向量机的学习方法 | 第18-30页 |
| 2.3.1 线性可分支持向量机 | 第18-20页 |
| 2.3.2 线性不可分支持向量机 | 第20-21页 |
| 2.3.3 基于支持向量机的多分类算法 | 第21-30页 |
| 2.3.3.1 基于一对一模式的支持向量机算法 | 第21-22页 |
| 2.3.3.2 基于一对多模式的支持向量机算法 | 第22-24页 |
| 2.3.3.3 基于决策树的支持向量机算法 | 第24-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 基于动态调整的GA-SVM多分类算法 | 第31-42页 |
| 3.1 遗传算法的概述 | 第31页 |
| 3.2 基于遗传算法的支持向量机多分类算法 | 第31-34页 |
| 3.3 基于动态调整的GA-SVM多分类二叉树算法 | 第34-40页 |
| 3.3.1 DAGA-SVM算法中遗传算法的设计 | 第34-35页 |
| 3.3.2 DAGA-SVM算法基本思想及步骤 | 第35-38页 |
| 3.3.3 实验及结果分析 | 第38-40页 |
| 3.4 本章小结 | 第40-42页 |
| 第四章 基于动态调整的GA-SVM多分类算法的基金评价实证研究 | 第42-57页 |
| 4.1 引言 | 第42页 |
| 4.2 基金评价指标体系的选择 | 第42-47页 |
| 4.2.1 国外基金评价体系 | 第42-45页 |
| 4.2.2 国内基金评价体系 | 第45-47页 |
| 4.3 实验工具和数据准备 | 第47-48页 |
| 4.3.1 实验工具和方法 | 第47页 |
| 4.3.2 研究样本及数据来源说明 | 第47-48页 |
| 4.4 评级指标 | 第48-50页 |
| 4.5 实证分析 | 第50-55页 |
| 4.5.1 数据预处理 | 第50-51页 |
| 4.5.2 特征提取 | 第51-54页 |
| 4.5.3 算法实验对比及结果分析 | 第54-55页 |
| 4.6 本章小结 | 第55-57页 |
| 总结与展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 攻读硕士学位期间取得的研究成果 | 第62-63页 |
| 致谢 | 第63-64页 |
| 附件 | 第64页 |