基于决策树算法的文本图像分类方法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-6页 |
| 目录 | 第6-9页 |
| 第一章 绪论 | 第9-14页 |
| ·研究背景与意义 | 第9-10页 |
| ·国内外图像分类技术研究现状 | 第10-12页 |
| ·本文研究内容 | 第12页 |
| ·本文的组织结构安排 | 第12-14页 |
| 第二章 数据挖掘和图像挖掘相关知识 | 第14-22页 |
| ·数据挖掘概述 | 第14-15页 |
| ·数据挖掘的定义 | 第14页 |
| ·数据挖掘的过程 | 第14-15页 |
| ·数据挖掘的功能 | 第15页 |
| ·图像挖掘概述 | 第15-18页 |
| ·图像挖掘的定义 | 第15-16页 |
| ·图像挖掘的过程 | 第16页 |
| ·图像挖掘的技术 | 第16-18页 |
| ·文本图像概述 | 第18-19页 |
| ·文本图像的定义 | 第18页 |
| ·文本图像的类别 | 第18-19页 |
| ·文本图像的特征 | 第19页 |
| ·图像分类方法 | 第19-21页 |
| ·决策树 | 第20页 |
| ·支持向量机 | 第20页 |
| ·贝叶斯 | 第20页 |
| ·遗传算法 | 第20-21页 |
| ·神经网络 | 第21页 |
| ·本章小结 | 第21-22页 |
| 第三章 决策树分类算法 | 第22-31页 |
| ·决策树概述 | 第22-24页 |
| ·决策树的定义 | 第22-23页 |
| ·决策树的生成步骤 | 第23-24页 |
| ·决策树的修剪 | 第24页 |
| ·典型决策树分类算法 | 第24-30页 |
| ·ID3算法 | 第24-27页 |
| ·C4.5算法 | 第27-28页 |
| ·CART算法 | 第28-30页 |
| ·本章小结 | 第30-31页 |
| 第四章 决策树ID3改进算法 | 第31-45页 |
| ·ID3算法的缺点 | 第31-32页 |
| ·基于属性重要度简化标准的ID3改进算法 | 第32-36页 |
| ·ID3简化研究 | 第32-33页 |
| ·引入属性重要度 | 第33-34页 |
| ·ID3改进算法 | 第34-36页 |
| ·改进算法实验 | 第36-44页 |
| ·实例分析 | 第36-40页 |
| ·实验分析 | 第40-44页 |
| ·本章小结 | 第44-45页 |
| 第五章 文本图像特征提取研究 | 第45-54页 |
| ·特征向量 | 第45页 |
| ·文本图像特征提取 | 第45-49页 |
| ·灰度直方图特征提取 | 第46-48页 |
| ·灰度共生矩阵特征提取 | 第48-49页 |
| ·实验 | 第49-52页 |
| ·实验准备 | 第49-51页 |
| ·实验内容 | 第51页 |
| ·实验结果 | 第51-52页 |
| ·文本图像的分类特征向量 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 第六章 基于底层图像特征组合的文本图像分类方法 | 第54-63页 |
| ·文本图像分类特征 | 第54-55页 |
| ·文本图像分类器 | 第55页 |
| ·算法设计 | 第55-58页 |
| ·算法思路 | 第56页 |
| ·算法步骤 | 第56-58页 |
| ·仿真实验 | 第58-62页 |
| ·实验内容 | 第58-59页 |
| ·实验结果分析 | 第59-62页 |
| ·本章小结 | 第62-63页 |
| 第七章 总结和展望 | 第63-65页 |
| ·总结 | 第63页 |
| ·展望 | 第63-65页 |
| 参考文献 | 第65-68页 |
| 致谢 | 第68-69页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第69-70页 |
