| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 支持向量机研究背景及现状 | 第9-11页 |
| 1.1.1 支持向量机研究背景 | 第9-10页 |
| 1.1.2 支持向量机研究现状 | 第10-11页 |
| 1.2 聚类分析研究背景及现状 | 第11-13页 |
| 1.2.1 聚类分析研究背景 | 第11-12页 |
| 1.2.2 聚类分析研究现状 | 第12页 |
| 1.2.3 模糊聚类研究现状 | 第12-13页 |
| 1.3 研究内容及创新点 | 第13-14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 第二章 支持向量机和聚类理论介绍 | 第15-24页 |
| 2.1 支持向量机理论基础 | 第15-18页 |
| 2.1.1 经验风险最小化原则 | 第15-16页 |
| 2.1.2 VC维 | 第16-17页 |
| 2.1.3 结构最小化原则 | 第17-18页 |
| 2.2 支持向量分类机 | 第18-20页 |
| 2.2.1 SVC算法 | 第18-20页 |
| 2.3 支持向量回归机 | 第20-21页 |
| 2.3.1 SVR算法 | 第20-21页 |
| 2.4 聚类分析 | 第21-23页 |
| 2.4.1 聚类的定义 | 第21页 |
| 2.4.2 聚类中的相似性度量 | 第21-22页 |
| 2.4.3 聚类算法 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 基于类内离散度的最小二乘支持向量机 | 第24-32页 |
| 3.1 最小二乘支持向量机（LS-SVM） | 第24-26页 |
| 3.1.1 LS-SVM算法 | 第24-26页 |
| 3.2 Fisher判别分析（FDA） | 第26页 |
| 3.2.1 FDA算法 | 第26页 |
| 3.3 基于类内离散度的最小二乘支持向量机 | 第26-31页 |
| 3.3.1 WCSLS-SVM算法的建立 | 第26-30页 |
| 3.3.2 基于类内离散度的最小二乘支持向量机的分类仿真实验 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 基于组合特征映射优化及其在FCM的应用 | 第32-43页 |
| 4.1 模糊C均值聚类（FCM） | 第32-34页 |
| 4.1.1 FCM算法 | 第32-33页 |
| 4.1.2 聚类有效性指数 | 第33-34页 |
| 4.2 核函数 | 第34-37页 |
| 4.2.1 核函数的定义 | 第34页 |
| 4.2.2 核函数的性质 | 第34-35页 |
| 4.2.3 局部核函数和全局核函数 | 第35-37页 |
| 4.3 基于组合特征映射优化及其在FCM的应用 | 第37-42页 |
| 4.3.1 基于组合特征映射优化的提出 | 第37-38页 |
| 4.3.2 隶属度的求解 | 第38-39页 |
| 4.3.3 核函数权重的求解 | 第39-41页 |
| 4.3.4 基于特征映射的FCM算法实验仿真对比 | 第41-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第五章 基于组合特征映射FCM的WCSLS-FSVM算法 | 第43-48页 |
| 5.1 基于类内离散度的模糊最小二乘支持向量机 | 第43-44页 |
| 5.2 基于组合特征映射的FCM隶属度矩阵的求解 | 第44-45页 |
| 5.3 实验结果与分析 | 第45-46页 |
| 5.4 本章小结 | 第46-48页 |
| 第六章 总结与展望 | 第48-50页 |
| 6.1 总结 | 第48页 |
| 6.2 展望 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 附录1 程序清单 | 第54-55页 |
| 附录2 攻读硕士学位期间撰写的论文 | 第55-56页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第56-57页 |
| 致谢 | 第57页 |