| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 概述 | 第8-11页 |
| 1.1 研究的背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 第二章 HMM 和 WNN 混合模型的理论基础 | 第11-31页 |
| 2.1 HMM 理论 | 第11-17页 |
| 2.1.1 HMM 简介 | 第11-13页 |
| 2.1.2 HMM 的数学描述 | 第13-17页 |
| 2.2 WNN 理论 | 第17-26页 |
| 2.2.1 神经网络简介 | 第18-19页 |
| 2.2.2 小波的定义与性质 | 第19-25页 |
| 2.2.3 WNN 的定义及基本结构 | 第25-26页 |
| 2.3 HMM 和 WNN 混合模型中需要用到的一些其他理论 | 第26-31页 |
| 2.3.1 BIC 准则 | 第26-27页 |
| 2.3.2 互信息模型 | 第27-29页 |
| 2.3.3 正则表达式 | 第29-31页 |
| 第三章 WNN 在信息抽取中的应用 | 第31-48页 |
| 3.1 数据预处理 | 第31-40页 |
| 3.2 WNN 在信息抽取中的应用 | 第40-44页 |
| 3.3 小波神经网络在信息抽取时需注意的问题 | 第44-48页 |
| 第四章 HMM 在信息抽取中的应用 | 第48-59页 |
| 4.1 HMM 在信息抽取中的应用 | 第48-52页 |
| 4.2 HMM 在信息抽取中的改进 | 第52-54页 |
| 4.3 HMM 模型在信息抽取时一些应该注意的问题 | 第54-59页 |
| 4.3.1 HMM 选择算法的优化 | 第54-55页 |
| 4.3.2 稀疏数据的处理 | 第55页 |
| 4.3.3 特殊模式的处理 | 第55-57页 |
| 4.3.4 中文切词与信息抽取 | 第57-58页 |
| 4.3.5 互信息理论的应用 | 第58-59页 |
| 第五章 HMM 与 WNN 混合模型在信息抽取中的应用 | 第59-71页 |
| 5.1 HMM 与 WNN 混合模型的建立 | 第59-67页 |
| 5.1.1 HMM 与 WNN 混合模型介绍 | 第59-61页 |
| 5.1.2 WNN 的建立 | 第61-66页 |
| 5.1.3 HMM 的建立 | 第66-67页 |
| 5.2 HMM 与 WNN 混合模型的训练 | 第67-68页 |
| 5.3 实验与结果分析 | 第68-71页 |
| 第六章 结论与展望 | 第71-73页 |
| 参考文献 | 第73-79页 |
| 攻读硕士学位期间发表的论文 | 第79-80页 |
| 致谢 | 第80页 |
