| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-9页 |
| 1 绪 论 | 第9-14页 |
| ·电子商务的发展 | 第9-11页 |
| ·电子商务环境下企业统计信息的特征 | 第11-12页 |
| ·电子商务环境下企业信息的智能统计分析研究的意义 | 第12页 |
| ·电子商务环境下企业信息统计分析的研究现状 | 第12-13页 |
| ·本文主要研究思路、主要工作及贡献 | 第13-14页 |
| ·主要研究思路 | 第13页 |
| ·主要工作 | 第13页 |
| ·主要贡献 | 第13-14页 |
| 2 电子商务环境下企业信息统计分析的现有理论与方法 | 第14-20页 |
| ·引言 | 第14页 |
| ·不确定性信息处理的现有数学理论与工具 | 第14-20页 |
| 3 统计学习理论及支持向量机的基本理论 | 第20-36页 |
| ·机器学习的基本问题 | 第20-22页 |
| ·问题的表示 | 第20页 |
| ·经验风险最小化 | 第20-21页 |
| ·复杂性与推广能力 | 第21-22页 |
| ·统计学习理论的核心内容 | 第22-24页 |
| ·VC维 | 第22页 |
| ·推广性的界 | 第22-23页 |
| ·结构风险最小化 | 第23-24页 |
| ·支持向量机 | 第24-28页 |
| ·广义最优分类面 | 第24-26页 |
| ·支持向量机 | 第26-27页 |
| ·核函数 | 第27页 |
| ·用于函数拟合的SVM | 第27-28页 |
| ·支持向量机训练算法 | 第28-36页 |
| 4 电子商务环境下企业信息的数据预处理 | 第36-41页 |
| ·基于遗传算法的数据预处理组合模型 | 第36-39页 |
| ·数据预处理的组合模型 | 第36-37页 |
| ·组合模型中最优权系数的遗传算法 | 第37-39页 |
| ·实验模型 | 第39-41页 |
| 5 电子商务环境下企业信息的约简和有用信息的识别 | 第41-52页 |
| ·电子商务环境下企业信息的约简方法 | 第42-46页 |
| ·粗糙集理论的相关概念 | 第42-44页 |
| ·约简算法 | 第44-46页 |
| ·电子商务环境下有用信息的识别方法--基于改进的最小二乘支持向量机(LS-SVM)分类方法 | 第46-49页 |
| ·电子商务环境下信息识别问题的数学描述 | 第47页 |
| ·电子商务环境下信息识别的LS-SVM分类原理与模型 | 第47-49页 |
| ·算例分析 | 第49-52页 |
| 6 电子商务环境下企业信息的智能分析模型及方法 | 第52-63页 |
| ·多因素动态粗预测方法 | 第53-58页 |
| ·多因素预测问题的数学描述 | 第53页 |
| ·动态粗预测方法(DRFM)的预测原理 | 第53-54页 |
| ·动态粗预测模型(DRFM) | 第54-57页 |
| ·算例与分析 | 第57-58页 |
| ·基于支持向量机的预测方法 | 第58-63页 |
| ·基于支持向量机的预测模型 | 第59-61页 |
| ·应用算例 | 第61-63页 |
| 7 结 论 | 第63-64页 |
| 致 谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 附 录 | 第69-80页 |
