| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-15页 |
| ·研究背景及意义 | 第9-10页 |
| ·粗糙集知识约简的研究现状 | 第10-11页 |
| ·支持向量机研究的现状 | 第11-14页 |
| ·研究问题 | 第11-12页 |
| ·支持向量机方法的基本思想 | 第12页 |
| ·支持向量机的发展与应用 | 第12-14页 |
| ·本文主要工作与组织结构 | 第14-15页 |
| 2 粗糙集理论知识 | 第15-29页 |
| ·粗糙集概述 | 第15页 |
| ·粗糙集的相关理论的基本概念 | 第15-19页 |
| ·粗糙集的基本定义 | 第15-16页 |
| ·上近似、下近似、边界区域和近似性质 | 第16-18页 |
| ·粗糙集的隶属关系 | 第18页 |
| ·近似度 | 第18-19页 |
| ·粗糙集的属性约简 | 第19-21页 |
| ·一般约简 | 第19-20页 |
| ·相对约简 | 第20-21页 |
| ·知识的依赖性 | 第21页 |
| ·决策表 | 第21-22页 |
| ·属性约简的一般方法 | 第22-28页 |
| ·基于区分矩阵的属性约简 | 第23-25页 |
| ·代数观点的属性约简 | 第25-26页 |
| ·信息论观点的属性约简 | 第26-27页 |
| ·属性约简的代数观点与信息论观点的比较 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 3 基于区分矩阵中相同决策属性贡献度的对象约简算法 | 第29-35页 |
| ·信息熵 | 第29-30页 |
| ·基于区分矩阵中相同决策属性贡献度的对象约简算法 | 第30-32页 |
| ·基于区分矩阵中相同决策属性贡献度的对象约简算法步骤 | 第32页 |
| ·实例分析 | 第32-34页 |
| ·本章小结 | 第34-35页 |
| 4 支持向量机理论知识 | 第35-51页 |
| ·统计学习理论 | 第35-39页 |
| ·机器学习问题 | 第35-36页 |
| ·统计学习理论的基本概念 | 第36-39页 |
| ·支持向量机 | 第39-50页 |
| ·支持向量机的基本方法 | 第39-40页 |
| ·广义线性判别函数 | 第40-41页 |
| ·支持向量机分类的具体方法 | 第41-44页 |
| ·核函数及其基本性质 | 第44-45页 |
| ·常见的支持向量机多类分类方法 | 第45-47页 |
| ·数据缩放 | 第47页 |
| ·交叉检验 | 第47-48页 |
| ·支持向量机的训练算法 | 第48-49页 |
| ·支持向量机的特点与优点 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 5 基于信息熵的粗糙集约简与支持向量机相结合的分类算法 | 第51-55页 |
| ·基于条件信息熵的启发式知识约简算法 | 第51-52页 |
| ·支持向量机分类的步骤 | 第52-53页 |
| ·基于信息熵的粗糙集约简与支持向量机相结合的分类算法 | 第53-54页 |
| ·粗糙集约简方法与支持向量机相结合的分类模型 | 第53页 |
| ·粗糙集约简方法与支持向量机相结合的分类算法步骤 | 第53-54页 |
| ·本章小结 | 第54-55页 |
| 6 实验 | 第55-62页 |
| ·实验设计 | 第55页 |
| ·实验的环境 | 第55页 |
| ·分类精度评价指标 | 第55页 |
| ·实验的结果与性能分析 | 第55-61页 |
| ·实验的结果 | 第55-60页 |
| ·性能分析 | 第60-61页 |
| ·本章小结 | 第61-62页 |
| 总结与展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士期间发表论文 | 第67-68页 |
| 致谢 | 第68页 |
