| 论文摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 缩略词表 | 第11-12页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 引言 | 第12-13页 |
| 1.2 支持向量机发展历史与现状 | 第13-14页 |
| 1.3 支持向量机理论的主要研究内容 | 第14-15页 |
| 1.4 支持向量机算法综述 | 第15-16页 |
| 1.5 论文结构安排 | 第16-17页 |
| 第2章 统计学习理论 | 第17-26页 |
| 2.1 机器学习 | 第17-20页 |
| 2.1.1 机器学习概念 | 第17-18页 |
| 2.1.2 机器学习发展历史 | 第18-19页 |
| 2.1.3 机器学习的基本问题 | 第19-20页 |
| 2.1.4 机器学习问题的发展 | 第20页 |
| 2.2 统计学习理论主要内容 | 第20-25页 |
| 2.2.1 统计学习理论简介 | 第20-21页 |
| 2.2.2 函数集的VC维 | 第21-22页 |
| 2.2.3 学习一致性条件 | 第22-23页 |
| 2.2.4 推广性的界 | 第23-24页 |
| 2.2.5 结构风险最小化 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第3章 基于支持向量机的改进 | 第26-41页 |
| 3.1 支持向量机工作原理 | 第26-28页 |
| 3.2 核函数 | 第28-29页 |
| 3.3 支持向量机二值分类 | 第29-32页 |
| 3.3.1 线性分类 | 第29-31页 |
| 3.3.2 非线性分类 | 第31-32页 |
| 3.4 支持向量机多类分类方法 | 第32-34页 |
| 3.5 基于类中心样本缩减的改进的支持向量机方法 | 第34-39页 |
| 3.5.1 原有支持向量机的缺陷及改进 | 第35-38页 |
| 3.5.2 实验结果 | 第38-39页 |
| 3.6 本章小结 | 第39-41页 |
| 第4章 SOM聚类 | 第41-52页 |
| 4.1 引言 | 第41页 |
| 4.2 聚类算法 | 第41-45页 |
| 4.2.1 聚类算法概述 | 第41-43页 |
| 4.2.2 SOM算法 | 第43-45页 |
| 4.3 SOM工作原理 | 第45页 |
| 4.4 SOM的工作过程与改进 | 第45-47页 |
| 4.5 SOM与SVM的结合 | 第47-50页 |
| 4.6 实验结果 | 第50-51页 |
| 4.7 结论 | 第51-52页 |
| 第5章 文本情感分类 | 第52-71页 |
| 5.1 深度学习基础 | 第52-56页 |
| 5.2 自编码器 | 第56-60页 |
| 5.3 半监督RAE方法 | 第60-65页 |
| 5.4 SVM与半监督RAE结合的文本情感分类实验 | 第65-70页 |
| 5.5 本章小结 | 第70-71页 |
| 第6章 总结与展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 附录 发表论文和科研情况说明 | 第76-77页 |
| 后记 | 第77页 |