| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-13页 |
| ·本文的提出及意义 | 第9页 |
| ·国内外研究现状及分析 | 第9-11页 |
| ·主要研究内容 | 第11-13页 |
| 第2章 预备知识 | 第13-22页 |
| ·统计学习理论 | 第13-15页 |
| ·支持向量机理论 | 第15-19页 |
| ·SVM的有关概念介绍 | 第15页 |
| ·线性支持向量机 | 第15-18页 |
| ·非线性支持向量机 | 第18-19页 |
| ·聚类理论 | 第19-22页 |
| ·聚类问题的分类 | 第20页 |
| ·模式类的结构 | 第20页 |
| ·聚类准则 | 第20-22页 |
| 第3章 基于改进迭代自组织数据分析算法的支持向量机 | 第22-32页 |
| ·K均值聚类算法 | 第22-23页 |
| ·迭代自组织数据分析算法 | 第23-28页 |
| ·迭代自组织数据分析算法 | 第23-28页 |
| ·算法存在的缺点及改进 | 第28页 |
| ·实验结果与分析 | 第28-32页 |
| 第4章 基于改进迭代自组织数据分析算法的加权支持向量机 | 第32-38页 |
| ·样本不平衡问题 | 第32-33页 |
| ·加权支持向量机模型 | 第33-34页 |
| ·权重的选择 | 第34-36页 |
| ·实验结果与分析 | 第36-38页 |
| 第5章 结论与展望 | 第38-39页 |
| 参考文献 | 第39-41页 |
| 致谢 | 第41-42页 |
| 攻读学位期间取得的科研成果 | 第42页 |