论文目录 | |
| 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 |
