基于支持向量机的垃圾短信过滤方法研究
| 致谢 | 第1-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-11页 |
| 1 绪论 | 第11-17页 |
| ·选题背景 | 第11-12页 |
| ·垃圾短信整治现状 | 第12-14页 |
| ·垃圾短信监管概况 | 第12页 |
| ·垃圾短信过滤技术现状 | 第12-14页 |
| ·研究内容 | 第14-15页 |
| ·论文组织 | 第15-17页 |
| 2 垃圾短信及其过滤方法 | 第17-25页 |
| ·垃圾短信及特征分析 | 第17-18页 |
| ·短信的格式 | 第17页 |
| ·垃圾短信的特征分析 | 第17-18页 |
| ·垃圾短信过滤端口 | 第18-20页 |
| ·短信工作原理 | 第18-19页 |
| ·垃圾短信过滤机制 | 第19-20页 |
| ·垃圾短信过滤方法 | 第20-23页 |
| ·基于流量控制方法 | 第20-21页 |
| ·基于关键词匹配方法 | 第21页 |
| ·基于黑白名单过滤方法 | 第21-22页 |
| ·基于内容的垃圾短信过滤方法 | 第22-23页 |
| ·本章小结 | 第23-25页 |
| 3 基于支持向量机的垃圾短信过滤方法 | 第25-55页 |
| ·支持向量机理论及其模型 | 第25-32页 |
| ·统计学习理论 | 第25-28页 |
| ·支持向量机基本思想 | 第28页 |
| ·支持向量机数学模型 | 第28-32页 |
| ·基于支持向量机的短信分类方法 | 第32-43页 |
| ·短信预处理 | 第33-34页 |
| ·短信特征降维 | 第34-38页 |
| ·短信的文本表示 | 第38-40页 |
| ·构建分类器 | 第40-41页 |
| ·支持向量机的反馈学习 | 第41-43页 |
| ·评价标准及实验分析 | 第43-47页 |
| ·实验环境 | 第43页 |
| ·实验数据 | 第43页 |
| ·评价标准 | 第43-44页 |
| ·特征降维方法实验结果及分析 | 第44-45页 |
| ·惩罚参数实验结果及分析 | 第45-46页 |
| ·核函数实验结果及分析 | 第46-47页 |
| ·支持向量机与神经网络方法实验比较 | 第47页 |
| ·支持向量机短信分类方法遇到的问题及改进办法 | 第47-52页 |
| ·存在的问题及分析 | 第47-48页 |
| ·改进方法 | 第48-49页 |
| ·实验结果及分析 | 第49-52页 |
| ·本章小结 | 第52-55页 |
| 4 垃圾短信过滤系统的设计与实现 | 第55-63页 |
| ·系统框架设计 | 第55-56页 |
| ·系统主要模块 | 第56-57页 |
| ·基于特征过滤模块 | 第56页 |
| ·基于内容识别模块 | 第56-57页 |
| ·系统主要处理流程 | 第57-61页 |
| ·黑白名单处理流程 | 第57-58页 |
| ·流量控制处理流程 | 第58-59页 |
| ·关键词过滤流程 | 第59-60页 |
| ·支持向量机短信分类过滤流程 | 第60-61页 |
| ·实验分析 | 第61-62页 |
| ·实验数据 | 第61页 |
| ·评价标准 | 第61-62页 |
| ·实验结果与分析 | 第62页 |
| ·本章小结 | 第62-63页 |
| 5 总结与展望 | 第63-65页 |
| ·总结 | 第63页 |
| ·展望 | 第63-65页 |
| 参考文献 | 第65-68页 |
| 附录 | 第68-69页 |
| 作者简介 | 第69-70页 |
| 学位论文数据集 | 第70页 |
