互联网大数据环境下的犯罪度理论的研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 犯罪预警国内外现状 | 第12-13页 |
| 1.2.2 情绪分类国内外现状 | 第13-14页 |
| 1.3 论文内容及组织结构 | 第14-17页 |
| 1.3.1 论文研究内容 | 第14-15页 |
| 1.3.2 论文组织结构 | 第15-17页 |
| 第2章 犯罪预警与犯罪度理论 | 第17-25页 |
| 2.1 犯罪预警 | 第17-18页 |
| 2.1.1 犯罪预警的概念 | 第17页 |
| 2.1.2 基于数据驱动的犯罪预警 | 第17页 |
| 2.1.3 预测模型 | 第17-18页 |
| 2.2 犯罪预警方法 | 第18-21页 |
| 2.2.1 支持向量机 | 第18页 |
| 2.2.2 随机森林 | 第18-19页 |
| 2.2.3 灰度预测 | 第19-20页 |
| 2.2.4 综合建模技术 | 第20-21页 |
| 2.3 犯罪度概念 | 第21-22页 |
| 2.4 犯罪心理学简介 | 第22-23页 |
| 2.4.1 相关概念 | 第22页 |
| 2.4.2 网络言论犯罪度的犯罪心理学依据 | 第22-23页 |
| 2.5 三因素模型 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第3章 文本分类方法 | 第25-39页 |
| 3.1 文本分类步骤 | 第25-27页 |
| 3.1.1 文本预处理 | 第25-26页 |
| 3.1.2 文本表示 | 第26-27页 |
| 3.1.3 特征提取 | 第27页 |
| 3.2 文本分类算法介绍 | 第27-33页 |
| 3.2.1 中心法 | 第27页 |
| 3.2.2 朴素贝叶斯 | 第27-29页 |
| 3.2.3 支持向量机 | 第29-31页 |
| 3.2.4 神经网络 | 第31-32页 |
| 3.2.5 K近邻 | 第32-33页 |
| 3.2.6 决策树 | 第33页 |
| 3.3 基于词典的文本分类方法 | 第33-36页 |
| 3.3.1 分类步骤 | 第34页 |
| 3.3.2 大连理工情感词汇本体 | 第34-36页 |
| 3.3.3 台湾大学情感词典 | 第36页 |
| 3.3.4 知网情感词汇 | 第36页 |
| 3.3.5 C-LIWC | 第36页 |
| 3.4 评价指标 | 第36-37页 |
| 3.5 本章小结 | 第37-39页 |
| 第4章 犯罪度理论建模与实验 | 第39-71页 |
| 4.1 三因素判决 | 第39-44页 |
| 4.1.1 需求因素判决 | 第39-40页 |
| 4.1.2 情绪因素判决 | 第40-43页 |
| 4.1.3 准备因素判决 | 第43-44页 |
| 4.2 数学模型 | 第44-45页 |
| 4.3 犯罪度分析系统设计 | 第45-56页 |
| 4.3.0 分布式文件系统原理 | 第45-48页 |
| 4.3.1 犯罪度向量设计 | 第48-49页 |
| 4.3.2 犯罪度算法结构 | 第49-50页 |
| 4.3.3 犯罪度系统结构 | 第50-51页 |
| 4.3.4 数据采集 | 第51-53页 |
| 4.3.5 数据更新监控 | 第53-54页 |
| 4.3.6 犯罪度计算 | 第54-56页 |
| 4.4 人脸识别系统设计 | 第56-63页 |
| 4.4.1 深度学习原理 | 第57-61页 |
| 4.4.2 基于深度学习的人脸识别原理 | 第61-62页 |
| 4.4.3 社交网络人脸识别系统 | 第62-63页 |
| 4.5 系统总结构 | 第63-64页 |
| 4.6 实验与分析 | 第64-69页 |
| 4.6.1 需求因素判决实验与分析 | 第65-66页 |
| 4.6.2 情绪因素判决实验与分析 | 第66-67页 |
| 4.6.3 准备因素判决实验与分析 | 第67-68页 |
| 4.6.4 总实验分析 | 第68-69页 |
| 4.7 本章小结 | 第69-71页 |
| 第5章 总结与展望 | 第71-73页 |
| 5.1 本文工作总结 | 第71-72页 |
| 5.2 展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 作者简介及科研成果 | 第77-79页 |
| 致谢 | 第79页 |
