文摘
英文文摘
第1章 绪论
1.1 课题研究的背景和意义
1.1.1 课题研究的背景
1.1.2 课题研究的意义
1.2 粗糙集理论和支持向量机的发展及国内外现状
1.2.1 粗糙集理论发展现状
1.2.2 支持向量机发展现状
1.2.3 论文的主要内容
1.2.4 论文结构安排
第2章 粗糙集理论基础
2.1 粗糙集理论的基本概念
2.1.1 知识的分类表达形式
2.1.2 不可分辨关系
2.1.3 粗糙集及其下近似、上近似、边界区
2.1.4 近似精度与粗糙度
2.2 信息系统与属性特征
2.2.1 信息系统
2.2.2 约简与知识的依赖性
第3章 统计学习理论和支持向量机
3.1 统计学习理论
3.1.1 机器学习的表示
3.1.2 经验风险最小化原则
3.1.3 VC维理论
3.1.4 推广性的界
3.1.5 结构风险最小化原则
3.2 支持向量机
3.2.1 线性可分问题
3.2.2 近似线性可分问题
3.2.3 线性不可分问题
3.2.4 核函数
3.2.5 支持向量机的优点
第4章 连续属性离散化
4.1 离散化问题的描述
4.2 离散化方法的分类原则
4.3 连续属性的无监督离散化方法
4.3.1 等宽度离散化方法
4.3.2 等频率离散化方法
4.4 连续属性的有监督离散化方法
4.4.1 基于熵的离散化方法
4.4.2 基于聚类的算法
4.4.3 贪心算法
4.5 本章小结
第5章 基于粗糙集理论的SVM分类方法
5.1 NaiveScaler离散化方法及其局限性
5.1.1 NaiveScaler离散化方法
5.1.2 NaiveScaler离散化方法的局限性
5.2 基于粗糙集下近似理论的离散化方法
5.3 基于粗糙集理论的SVM分类方法
5.3.1 支持向量机方法的优点
5.3.2 基于粗糙集理论的SVM分类方法
5.4 本章小结
第6章 仿真实验
6.1 实验数据
6.2 数据预处理
6.3 支持向量机分类
6.3 本章小结
第7章 总结与展望
参考文献
致谢
攻读硕士期间发表的论文