| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 第一章 引言 | 第9-13页 |
| ·研究背景和意义 | 第9-10页 |
| ·国内外相关研究概述 | 第10-11页 |
| ·文本分类方法概述 | 第11页 |
| ·本文研究内容概要 | 第11-12页 |
| ·本文组织结构 | 第12-13页 |
| 第二章 文本分类的基础知识 | 第13-25页 |
| ·文本分类系统 | 第13-14页 |
| ·文本预处理 | 第14页 |
| ·文本表示 | 第14-15页 |
| ·文本的特征提取 | 第15-18页 |
| ·文本频率 DF (Document Frequency) | 第15-16页 |
| ·信息增益(Information Gain，IG) | 第16页 |
| ·互信息(Mutual Information，MI) | 第16-17页 |
| ·2统计量(CHI) | 第17-18页 |
| ·文本分类算法 | 第18-24页 |
| ·朴素贝叶斯(Naive Bayes) | 第19页 |
| ·k 近邻(K-Nearest Neighbor，KNN) | 第19-20页 |
| ·支持向量机(Support Vector Machine，SVM) | 第20-22页 |
| ·神经网络(Neural Networks ，NN) | 第22-24页 |
| ·本章小结 | 第24-25页 |
| 第三章 核主成分分析的文本特征提取 | 第25-32页 |
| ·特征选择算法 | 第25-26页 |
| ·基于主成分分析的特征选择算法 | 第26-27页 |
| ·核主成分分析 | 第27-31页 |
| ·核主成分分析模型 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第四章 SOFM 神经网络 | 第32-36页 |
| ·SOFM 神经网络 | 第32页 |
| ·SOFM 网络结构与运行原理 | 第32-33页 |
| ·自组织神经网络学习算法 | 第33-35页 |
| ·SOFM 网络功能特点 | 第35页 |
| ·本章小结 | 第35-36页 |
| 第五章 基于 KPCA 和 SOMF 的文本分类 | 第36-48页 |
| ·SOMF 网络的设计基础 | 第36-38页 |
| ·输出层设计 | 第36-37页 |
| ·权值初始化设计 | 第37页 |
| ·优胜邻域NE j t 的设计 | 第37-38页 |
| ·学习率 t 的设计 | 第38页 |
| ·SOFM 神经网络用于文本分类 | 第38-44页 |
| ·实验语料集 | 第39页 |
| ·特征表示模块 | 第39-40页 |
| ·基于 KPCA 和 SOFM 网络的文本分类模型 | 第40-41页 |
| ·特征降维模块 | 第41-42页 |
| ·分类算法模块 | 第42-43页 |
| ·性能评价 | 第43页 |
| ·实验对比设置 | 第43-44页 |
| ·实验结果和分析 | 第44-47页 |
| ·SOFM 网络分类算法 | 第44-45页 |
| ·基于 KPCA 的分类算法性能比较 | 第45-46页 |
| ·基于 KPCA 的 RBF 网络和 SOFM 网络分类算法 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第六章 总结和展望 | 第48-50页 |
| ·总结 | 第48-49页 |
| ·展望 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 攻读硕士期间发表的论文 | 第54-55页 |
| 致谢 | 第55页 |
