| 摘要 | 第1-4页 |
| Abstract | 第4-5页 |
| 目录 | 第5-7页 |
| 第一章 绪论 | 第7-25页 |
| ·问题的提出 | 第7-9页 |
| ·研究背景 | 第7-8页 |
| ·研究意义 | 第8-9页 |
| ·国内外研究现状综述 | 第9-15页 |
| ·国外研究现状 | 第9-12页 |
| ·国内研究现状 | 第12-15页 |
| ·财务危机预警理论概述 | 第15-22页 |
| ·财务危机概念的界定 | 第15-18页 |
| ·财务危机预警指标的选取 | 第18-22页 |
| ·本文研究框架 | 第22-25页 |
| ·本文主要工作 | 第22页 |
| ·本文研究的技术路线 | 第22-23页 |
| ·本文结构组织 | 第23-25页 |
| 第二章 支持向量机理论研究 | 第25-41页 |
| ·机器学习理论 | 第25-26页 |
| ·统计学习理论 | 第26-29页 |
| ·经验风险最小化 | 第26-27页 |
| ·V-C(Vanpnik-Cheronenkis)维 | 第27-28页 |
| ·结构风险最小化原则 | 第28-29页 |
| ·支持向量机 | 第29-36页 |
| ·线性可分问题 | 第30-32页 |
| ·近似线性可分问题 | 第32-34页 |
| ·线性不可分问题 | 第34-36页 |
| ·支持向量回归学习机 | 第36-41页 |
| ·回归问题 | 第36-37页 |
| ·ε-不敏感损失函数和ε带 | 第37-38页 |
| ·支持向量回归机 | 第38-41页 |
| 第三章 粗糙集基本理论研究 | 第41-45页 |
| ·知识与不可分辨关系 | 第41-42页 |
| ·决策表与属性约简 | 第42页 |
| ·粗糙集的特点 | 第42-43页 |
| ·属性约简算法 | 第43-45页 |
| 第四章 基于粗糙集和支持向量机的财务预警模型设计 | 第45-63页 |
| ·系统实现 | 第45-49页 |
| ·SVM财务危机预警模型实现 | 第45-47页 |
| ·SVM模型算法流程 | 第47-49页 |
| ·系统概要设计 | 第49-50页 |
| ·主要功能模块详细设计 | 第50-57页 |
| ·数据预处理模块 | 第50-51页 |
| ·样本数据特征降维模块 | 第51-53页 |
| ·分类器训练模块 | 第53页 |
| ·样本分类模块 | 第53-54页 |
| ·分类效果评估模块 | 第54-57页 |
| ·分类实验结果及分析 | 第57-63页 |
| ·SVM财务危机预警模型实验分析 | 第57-58页 |
| ·RS-SVM财务危机预警模型实验分析 | 第58-63页 |
| 第五章 结论和未来研究展望 | 第63-65页 |
| ·本文工作总结 | 第63页 |
| ·未来研究展望 | 第63-65页 |
| 致谢 | 第65-67页 |
| 参考文献 | 第67-69页 |