| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第1章 绪论 | 第8-14页 |
| ·选题背景与研究意义 | 第8-9页 |
| ·选题背景 | 第8页 |
| ·研究意义 | 第8-9页 |
| ·国内外研究概况 | 第9-12页 |
| ·国外研究概况 | 第9-10页 |
| ·国内研究概况 | 第10-12页 |
| ·本文的研究工作 | 第12-13页 |
| ·本文的组织机构 | 第13-14页 |
| 第2章 文本分类理论基础 | 第14-21页 |
| ·文本分类系统模型框架 | 第14-15页 |
| ·文本预处理 | 第15-17页 |
| ·文本采集 | 第15页 |
| ·分词处理 | 第15-16页 |
| ·文本的特征表示 | 第16页 |
| ·特征项选择 | 第16-17页 |
| ·特征权重计算 | 第17页 |
| ·文本分类算法 | 第17-19页 |
| ·决策树算法 | 第17页 |
| ·中心向量算法 | 第17-18页 |
| ·朴素贝叶斯算法 | 第18页 |
| ·支持向量机算法 | 第18-19页 |
| ·K最近邻算法 | 第19页 |
| ·文本分类器的评价 | 第19-21页 |
| ·分类性能的评估 | 第19-20页 |
| ·基准测试数据集 | 第20-21页 |
| 第3章 粗糙集和神经网络理论基础 | 第21-29页 |
| ·粗糙集理论 | 第21-23页 |
| ·决策表 | 第21页 |
| ·属性约简 | 第21-23页 |
| ·神经网络理论 | 第23-28页 |
| ·人工神经元模型 | 第23-25页 |
| ·BP神经网络工作原理 | 第25-27页 |
| ·优化的BP神经网络 | 第27-28页 |
| ·粗糙集和BP神经网络相结合理论 | 第28-29页 |
| 第4章 优化的RS-BPNN文本分类系统的关键技术研究 | 第29-36页 |
| ·文本预处理 | 第29-32页 |
| ·文本表示 | 第29-30页 |
| ·分词 | 第30-31页 |
| ·改进特征选择算法预降维 | 第31-32页 |
| ·基于RS的向量空间再降维 | 第32-34页 |
| ·向量空间转换为决策表 | 第32-33页 |
| ·属性值离散化 | 第33页 |
| ·Johnson算法属性约简 | 第33-34页 |
| ·基于优化BP神经网络的文本分类 | 第34-36页 |
| ·文本分类的训练流程 | 第34-35页 |
| ·文本分类的分类流程 | 第35-36页 |
| 第5章 优化的RS-BPNN文本分类系统的设计与实现 | 第36-48页 |
| ·系统实现的目的 | 第36页 |
| ·开发平台和开发环境 | 第36页 |
| ·系统设计 | 第36-40页 |
| ·系统概要设计 | 第36-37页 |
| ·系统中主要的类 | 第37-40页 |
| ·文本分类的实验结果及分析 | 第40-48页 |
| ·实验数据 | 第40页 |
| ·系统实现界面及性能测试 | 第40-43页 |
| ·系统分类对比分析 | 第43-46页 |
| ·系统分类性能测试 | 第46页 |
| ·实验结果分析 | 第46-48页 |
| 第6章 总结与展望 | 第48-50页 |
| ·全文总结 | 第48-49页 |
| ·展望 | 第49-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 攻读学位期间的研究成果 | 第54页 |