| 致谢 | 第1-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-9页 |
| 1 绪论 | 第9-13页 |
| ·研究背景和意义 | 第9-10页 |
| ·文本自动分类研究的现状 | 第10-11页 |
| ·本文的组织结构 | 第11-13页 |
| 2 中文文本表示 | 第13-20页 |
| ·向量空间模型(VSM) | 第13页 |
| ·文本特征项的表示. | 第13-14页 |
| ·剔除停用词 | 第14-15页 |
| ·特征词的权重 | 第15-16页 |
| ·特征选择. | 第16-20页 |
| 3 支持向量机理论 | 第20-43页 |
| ·统计学习理论 | 第20-25页 |
| ·经验风险最小化 | 第20-21页 |
| ·模型复杂度和推广能力 | 第21-22页 |
| ·VC 维 | 第22-23页 |
| ·结构风险最小化原理. | 第23-25页 |
| ·数学模型 | 第25-43页 |
| ·最大边界超平面 | 第25-27页 |
| ·线性支持向量机：可分情况 | 第27页 |
| ·线性决策边界 | 第27-28页 |
| ·线性分类器的边界 | 第28-29页 |
| ·学习线性SVM 模型 | 第29-31页 |
| ·线性支持向量机：不可分情况 | 第31-35页 |
| ·非线性支持向量机 | 第35-43页 |
| 4 支持向量机分类算法优化 | 第43-57页 |
| ·聚类算法 | 第43-45页 |
| ·聚类方法与SVM 的融合 | 第45-46页 |
| ·支持向量 | 第45页 |
| ·基于密度算法 | 第45-46页 |
| ·利用改进的基于密度聚类算法求取聚类边界点(支持向量集) | 第46-57页 |
| ·密度聚类方法简介 | 第46-48页 |
| ·改进的基于密度的聚类算法 | 第48-50页 |
| ·搜索聚类初始点 | 第50-53页 |
| ·选择聚类边界点 | 第53-54页 |
| ·性能分析点一：参数 | 第54-55页 |
| ·性能分析点二：时间复杂度 | 第55-57页 |
| 5 仿真实验与实验分析 | 第57-65页 |
| ·系统结构简介 | 第57-58页 |
| ·系统功能介绍 | 第58-61页 |
| ·实验结果分析 | 第61-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-69页 |
| 作者简历 | 第69-71页 |
| 学位论文数据集. | 第71-72页 |