二分类问题是统计学习理论、机器学习以及人工智能中研究的一个重要问题。由于随机的或者非随机过程的存在，现实生活中的数据经常带有噪声和不确定性。数据的噪声以及不确定性会影响统计学习分类算法模型的性能，降低分类的准确率及其分类模型的推广能力。《鲁棒最小二乘支持向量机研究与应用》从加强最小二乘支持向量机模型的鲁棒性和稀疏性、增强其推广能力的理念出发。系统整理了文献中对最小二乘支持向量机模型(LS-SVM)中改进鲁棒性的方法，提出了改进LS-SVM鲁棒性的三个模型：KPCA-L1-LS-SVM、F L1-LS-SVM和RW-Lp-LS-SVM模型，分别从特征压缩、噪声点的剔除以及样本信息重要程度的角度出发对LS-SVM模型的鲁棒性做了改进。本书由刘京礼著。

1 绪论

 1.1 研究背景和意义

 1.2 鲁棒支持向量机研究综述

 1.3 本书的內容和结构安排

 1.4 研究方法和思路

 1.5 本书的技术路径

2 最优化理论

 2.1 最优化问题的一般形式

 2.2 约束极值问题的最优化条件

 2.3 库恩塔克条件

 2.4 对偶理论

 2.5 小结

3 二分类问题

 3.1 引言

 3.2 二分类模型

 3.3 分类模型准确率的估计方法

 3.4 二分类算法的有效性

 3.5 支持向量机

 3.6 最小二乘支持向量机模型

 3.7 小结

4 鲁棒最小二乘支持向量机中的特征抽取和选择

 4.1 引言

 4.2 特征选择和抽取

 4.3 核主成分法

 4.4 稀疏L1-范数LS-SVM模型

 4.5 双层L1-范数LS-SVM模型

 4.6 模糊L1-范数LS-SVM模型

 4.7 小结

5 最小二乘支持向量机的鲁棒分类模型

 5.1 引言

 5.2 Ln范数支持向量机的分类模型

 5.3 鲁棒赋权自适应乙范数最小二乘支持向量机

 5.4 小结

6 消费者信用风险评估

 6.1 引言

 6.2 目前的消费者信用评估模型评述

 6.3 消费者信用风险评估模型的实证分析

 6.4 KPCA-L1-LS-SVM模型在信用风险中的应用

 6.5 FL1-LS-SVM模型在信用风险中的应用

 6.6 鲁棒赋权自适应Lo-范数LS-SVM模型在信用风险中的应用

 6.7 小结

7 总结与展望

 7.1 研究工作总结

 7.2 进一步研究的问题

符号说明

参考文献

后记

附图

附表