| 中文摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 智能决策方法研究进展 | 第11-17页 |
| 1.2.1 智能医疗诊断方法研究进展 | 第11-14页 |
| 1.2.2 金融风险预测方法研究进展 | 第14-16页 |
| 1.2.3 供应商选择问题研究进展 | 第16-17页 |
| 1.3 问题提出与内容安排 | 第17-19页 |
| 第二章 相关基础知识 | 第19-26页 |
| 2.1 支持向量机 | 第19-23页 |
| 2.1.1 线性可分支持向量机 | 第20-21页 |
| 2.1.2 非线性支持向量机 | 第21-22页 |
| 2.1.3 不可分情况的处理 | 第22-23页 |
| 2.2 相似性学习方法 | 第23-25页 |
| 2.3 小结 | 第25-26页 |
| 第三章 基于SVM相似性学习的智能决策方法 | 第26-41页 |
| 3.1 支持向量机相似性学习算法 | 第26-28页 |
| 3.2 基于SVM相似性学习的智能决策方法 | 第28-29页 |
| 3.3 实验比较 | 第29-40页 |
| 3.3.1 人工数据集 | 第30-33页 |
| 3.3.2 医疗诊断 | 第33-37页 |
| 3.3.3 个人信用评估 | 第37-40页 |
| 3.4 小结 | 第40-41页 |
| 第四章 基于SVM相似性集成学习的智能决策方法 | 第41-56页 |
| 4.1 集成学习 | 第41-45页 |
| 4.1.1 集成学习基本概述 | 第41-42页 |
| 4.1.2 基学习机的构造方法 | 第42-43页 |
| 4.1.3 基分类器的组合方法 | 第43-45页 |
| 4.2 基于SVM相似性集成学习的智能决策方法 | 第45-48页 |
| 4.2.1 构造基支持向量机 | 第45-46页 |
| 4.2.2 合并基支持向量机结果 | 第46-48页 |
| 4.3 实验结果 | 第48-55页 |
| 4.3.1 医疗诊断 | 第49-52页 |
| 4.3.2 个人信用评估 | 第52-54页 |
| 4.3.3 本章方法与第三章方法实验结果比较 | 第54-55页 |
| 4.4 小结 | 第55-56页 |
| 第五章 基于余弦相似性的改进型TOPSIS的供应商选择方法 | 第56-64页 |
| 5.1 TOPSIS法 | 第56-59页 |
| 5.1.1 传统TOPSIS法 | 第56-57页 |
| 5.1.2 基于马氏距离的TOPSIS法 | 第57-59页 |
| 5.2 基于余弦相似性的改进型TOPSIS法 | 第59-60页 |
| 5.3 实验结果 | 第60-63页 |
| 5.4 小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 参考文献 | 第66-78页 |
| 攻读硕士学位期间主要的研究成果 | 第78-80页 |
| 科研情况 | 第78页 |
| 论文 | 第78页 |
| 专利 | 第78-79页 |
| 软件著作权 | 第79-80页 |
| 致谢 | 第80-81页 |