| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 引言 | 第7-11页 |
| ·课题研究的背景及意义 | 第7-8页 |
| ·国内外研究现状分析 | 第8-9页 |
| ·课题研究的主要内容、预期成果及论文组织结构 | 第9-11页 |
| 2 粗糙集理论及一种基于自适应遗传算法的属性约简算法 | 第11-25页 |
| ·粗糙集理论的基本概念 | 第11-13页 |
| ·知识和知识库 | 第11页 |
| ·知识表达系统、决策系统和不可分辨关系 | 第11-12页 |
| ·粗糙集与近似集合 | 第12-13页 |
| ·属性约简和属性的核 | 第13-15页 |
| ·一般属性约简和核 | 第13-14页 |
| ·相对约简和相对核 | 第14-15页 |
| ·属性约简算法 | 第15-17页 |
| ·一种基于自适应遗传算法的属性约简算法 | 第17-20页 |
| ·染色体编码方法 | 第17页 |
| ·适应值函数的选取 | 第17-18页 |
| ·选择操作 | 第18页 |
| ·自适应交叉操作 | 第18-19页 |
| ·自适应变异操作 | 第19-20页 |
| ·实验及分析 | 第20-23页 |
| ·本章小结 | 第23-25页 |
| 3 支持向量机基本理论和训练方法 | 第25-38页 |
| ·机器学习理论 | 第25-26页 |
| ·支持向量机的相关数学基础 | 第26-29页 |
| ·凸最优化问题 | 第26-27页 |
| ·KKT条件 | 第27-28页 |
| ·对偶问题 | 第28页 |
| ·核函数 | 第28-29页 |
| ·支持向量机分类方法 | 第29-32页 |
| ·线性支持向量机 | 第29-31页 |
| ·非线性支持向量机 | 第31-32页 |
| ·支持向量机训练算法 | 第32-37页 |
| ·分块算法 | 第32-33页 |
| ·分解算法 | 第33页 |
| ·序列最小优化算法(SMO) | 第33-37页 |
| ·本章小结 | 第37-38页 |
| 4 支持向量机的增量训练算法 | 第38-60页 |
| ·支持向量机增量训练方法概述 | 第38页 |
| ·支持向量机的简单增量训练算法 | 第38-39页 |
| ·增量训练算法的有效性和复杂度分析 | 第39-40页 |
| ·算法有效性分析 | 第39-40页 |
| ·算法复杂度分析 | 第40页 |
| ·支持向量机增量训练过程分析 | 第40-48页 |
| ·KKT条件的相关定理 | 第40-43页 |
| ·新增训练样本分析 | 第43-45页 |
| ·样本集的选择 | 第45-48页 |
| ·一种基于距离比值和k最近邻的支持向量机增量训练算法 | 第48-50页 |
| ·基于粗糙集的增量支持向量机分类方法 | 第50-51页 |
| ·实验过程与结果分析 | 第51-59页 |
| ·实验过程 | 第51-52页 |
| ·实验结果与分析 | 第52-59页 |
| ·本章小结 | 第59-60页 |
| 结论与展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-65页 |