| 摘要 | 第1-6页 |
| ABSTRACT | 第6-8页 |
| 致谢 | 第8-10页 |
| 目录 | 第10-14页 |
| 第一章 绪论与综述 | 第14-40页 |
| ·DM及其研究内容 | 第14-15页 |
| ·DM的定义与分类 | 第14-15页 |
| ·DM的研究内容 | 第15页 |
| ·CSDM综述 | 第15-25页 |
| ·CSDM简介 | 第15-16页 |
| ·不平衡数据挖掘的困境 | 第16-17页 |
| ·CSDM的实现方法 | 第17-21页 |
| ·从“问题”到“方法” | 第21-22页 |
| ·代价的类型 | 第22-25页 |
| ·SLT和SVM综述 | 第25-37页 |
| ·ERM原则 | 第25-27页 |
| ·SLT的核心内容 | 第27页 |
| ·学习过程的一致性条件 | 第27-29页 |
| ·SRM原则 | 第29-30页 |
| ·SVM的设计 | 第30-35页 |
| ·SVM研究进展 | 第35-37页 |
| ·SVM训练算法研究 | 第35-36页 |
| ·SVM的派生方法 | 第36页 |
| ·SVM的模型选择 | 第36-37页 |
| ·SVM的应用研究 | 第37页 |
| ·本论文主要工作及创新点 | 第37-40页 |
| 第二章 类不平衡数据对SVM分类的影响 | 第40-50页 |
| ·引言 | 第40-41页 |
| ·分类性能评价 | 第41页 |
| ·类分布对N-SVM分类性能的影响 | 第41-45页 |
| ·N-SVM及其启发 | 第41-43页 |
| ·SV率的界和BSV率的界 | 第43页 |
| ·SV数的界和BSV数的界 | 第43-44页 |
| ·不同类的SV率和BSV率的关系 | 第44页 |
| ·类分布对分类和预测性能的影响 | 第44-45页 |
| ·N-SVM的改进 | 第45页 |
| ·类分布对C-SVM分类性能的影响 | 第45-46页 |
| ·试验结果与分析 | 第46-48页 |
| ·数据集与试验设计 | 第46-47页 |
| ·试验结果与分析 | 第47-48页 |
| ·讨论 | 第48-49页 |
| ·结论 | 第49-50页 |
| 第三章 嵌入拒识和误分类代价的SVM-RMC算法 | 第50-64页 |
| ·引言 | 第50-51页 |
| ·SRM原则和SVM | 第51-52页 |
| ·SVM-RMC优化问题构造 | 第52-54页 |
| ·SVM-RMC训练问题构造 | 第54-55页 |
| ·ODH-RMC的求解算法 | 第55-60页 |
| ·对偶目标函数的评估 | 第56-57页 |
| ·对偶目标函数最大化 | 第57-58页 |
| ·启发式选择和停止标准 | 第58-60页 |
| ·SMO-RMC算法 | 第60页 |
| ·试验结果与分析 | 第60-62页 |
| ·结论 | 第62-64页 |
| 第四章 基于样本类空间重构的代价敏感SVM算法 | 第64-74页 |
| ·引言 | 第64-65页 |
| ·SVM | 第65-66页 |
| ·基于样本类空间重构的CS-SVM | 第66-69页 |
| ·BAYES决策论及其启发 | 第66页 |
| ·问题描述 | 第66-67页 |
| ·概率估计 | 第67-68页 |
| ·代价最小化 | 第68页 |
| ·代价敏感SVM | 第68-69页 |
| ·基于样本类空间重构的G-CSC算法 | 第69-70页 |
| ·试验结果与分析 | 第70-72页 |
| ·虚拟数据集试验 | 第70-71页 |
| ·BENCHMARK数据集试验 | 第71-72页 |
| ·结论 | 第72-74页 |
| 第五章 嵌入噪音代价的SVC-NC和SVR-NC算法 | 第74-86页 |
| ·引言 | 第74-75页 |
| ·代价敏感支持向量聚类 | 第75-80页 |
| ·支持向量数据域描述(SVDD)与聚类 | 第75-76页 |
| ·代价敏感支持向量聚类算法SVC-NC | 第76-77页 |
| ·基于KNN确定噪音代价 | 第77-80页 |
| ·代价敏感支持向量回归SVR-NC | 第80-82页 |
| ·支持向量回归算法SVR | 第80-81页 |
| ·代价敏感支持向量回归算法SVR-NC | 第81-82页 |
| ·试验结果与分析 | 第82-85页 |
| ·SVC-NC试验结果与分析 | 第82-85页 |
| ·SVR-NC试验结果与分析 | 第85页 |
| ·结论 | 第85-86页 |
| 第六章 基于SRM准则的代价敏感MBFIS | 第86-102页 |
| ·引言 | 第86-87页 |
| ·SVM与核技术 | 第87-88页 |
| ·模糊推理系统(FIS)概述 | 第88-91页 |
| ·系统功能与典型模型 | 第88-89页 |
| ·规则产生与规则基优化 | 第89页 |
| ·规则的可解释性 | 第89页 |
| ·模拟能力和泛化能力 | 第89-91页 |
| ·SVM和一类FIS的函数等效性 | 第91-95页 |
| ·BFIS和SVM函数等效的充要条件 | 第91-92页 |
| ·核二元模糊推理系统 | 第92-93页 |
| ·MBFIS和SVM函数等效的充要条件 | 第93-95页 |
| ·基于SVM学习建立MBFIS | 第95-96页 |
| ·基于SRM准则建立代价敏感MBFIS | 第96-98页 |
| ·误分类代价敏感SVM | 第96-97页 |
| ·规则约简 | 第97-98页 |
| ·试验结果与分析 | 第98-101页 |
| ·MBFIS-SRM试验结果与分析 | 第98-99页 |
| ·MBFIS-SRM-MC试验结果与分析 | 第99-101页 |
| ·结论 | 第101-102页 |
| 第七章 DM软件平台DMP的设计与应用 | 第102-126页 |
| ·引言 | 第102-103页 |
| ·DM过程模型概述 | 第103-106页 |
| ·通用DM过程模型 | 第103-104页 |
| ·CRISP-DMDM过程模型 | 第104页 |
| ·SEMMADM过程模型 | 第104-105页 |
| ·其它DM过程模型 | 第105页 |
| ·DM过程模型的特点 | 第105-106页 |
| ·DM软件概述 | 第106-110页 |
| ·常用DM软件 | 第106-108页 |
| ·DM模式 | 第108-109页 |
| ·DM技术 | 第109-110页 |
| ·冶金过程工业数据特点 | 第110-111页 |
| ·冶金工业DM双向反馈过程模型BFDM | 第111-113页 |
| ·DM软件平台DMP | 第113-117页 |
| ·DMP的特征 | 第113-115页 |
| ·DMP的系统构架 | 第115页 |
| ·DMP挖掘模式及算法构件 | 第115-116页 |
| ·DMP运行界面示例 | 第116-117页 |
| ·基于DMP的炼铁高炉铁水硅含量建模与预报 | 第117-125页 |
| ·高炉过程特点与预报模型 | 第117-118页 |
| ·属性选择与特征提取 | 第118-119页 |
| ·基于DMP的高炉铁水硅含量建模与预报 | 第119-125页 |
| ·结论 | 第125-126页 |
| 第八章 工作总结与展望 | 第126-130页 |
| ·工作总结 | 第126-127页 |
| ·工作展望 | 第127-130页 |
| 参考文献 | 第130-142页 |
| 附录：攻读博士学位期间完成的论文与参加的项目 | 第142-143页 |