基于密度聚类改进的支持向量机文本分类的算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究目的与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 研究内容 | 第12-14页 |
| 第2章 中文文本分类的相关技术 | 第14-28页 |
| 2.1 文本分类概述和文本预处理 | 第14-18页 |
| 2.1.1 文本分类概述 | 第14页 |
| 2.1.2 文本预处理 | 第14-18页 |
| 2.2 特征选择算法和权重计算方法 | 第18-22页 |
| 2.2.1 特征选择算法 | 第18-21页 |
| 2.2.2 权重计算方法 | 第21-22页 |
| 2.3 文本表示方法和分类算法 | 第22-27页 |
| 2.3.1 文本表示方法 | 第22-24页 |
| 2.3.2 文本分类算法 | 第24-27页 |
| 本章小结 | 第27-28页 |
| 第3章 SVM理论基础及算法改进 | 第28-45页 |
| 3.1 统计学习理论 | 第28-30页 |
| 3.1.1 函数集VC维 | 第28-29页 |
| 3.1.2 泛化误差的边界 | 第29-30页 |
| 3.1.3 结构风险最小化原理 | 第30页 |
| 3.2 支持向量机 | 第30-36页 |
| 3.2.1 最优超平面 | 第31-32页 |
| 3.2.2 线性可分情况 | 第32-33页 |
| 3.2.3 线性不可分情况 | 第33-34页 |
| 3.2.4 非线性情况 | 第34-36页 |
| 3.3 算法实现 | 第36-38页 |
| 3.3.1 分块算法 | 第36-37页 |
| 3.3.2 增量学习算法 | 第37页 |
| 3.3.3 并行学习算法 | 第37-38页 |
| 3.4 一种改进的基于密度聚类的SVM分类方法 | 第38-44页 |
| 3.4.1 DBSCAN算法 | 第38-40页 |
| 3.4.2 DBSCAN算法的优缺点 | 第40-41页 |
| 3.4.3 改进的DBSCAN算法 | 第41-42页 |
| 3.4.4 改进的DBSCAN算法与SVM的融合 | 第42-44页 |
| 本章小结 | 第44-45页 |
| 第4章 方案设计与实验结果分析 | 第45-62页 |
| 4.1 系统方案设计 | 第45-52页 |
| 4.1.1 系统总体设计 | 第45-46页 |
| 4.1.2 系统结构详细设计 | 第46-52页 |
| 4.2 实验与结果分析 | 第52-61页 |
| 4.2.1 语料库 | 第52页 |
| 4.2.2 分类评价标准 | 第52-54页 |
| 4.2.3 实验结果分析 | 第54-61页 |
| 本章小结 | 第61-62页 |
| 第5章 总结与展望 | 第62-64页 |
| 5.1 总结 | 第62页 |
| 5.2 展望 | 第62-64页 |
| 致谢 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间论文发表情况 | 第70页 |
