| 第一章 绪论 | 第1-15页 |
| 1 研究背景及意义 | 第9-12页 |
| 2 国内外研究动态 | 第12-13页 |
| 3 目标及任务 | 第13页 |
| 4 本文工作内容及组织 | 第13-15页 |
| (1) 本文工作内容及成果 | 第13-14页 |
| (2) 本文的组织 | 第14-15页 |
| 第二章 WEB数据挖掘综述 | 第15-33页 |
| 1 WEB数据挖掘的起源 | 第15页 |
| 2 WEB数据挖掘的定义 | 第15-16页 |
| 3 WEB数据挖掘的分类 | 第16-24页 |
| (1) WEB内容挖掘 | 第17-19页 |
| (2) WEB使用挖掘 | 第19-22页 |
| (3) WEB结构挖掘 | 第22-24页 |
| 4 WEB数据挖掘的基本原理 | 第24页 |
| 5 WEB文档的目标表示 | 第24-28页 |
| (1) 向量空间模型(VSM) | 第25-26页 |
| (2) 布尔模型 | 第26-27页 |
| (3) 概率推理模型 | 第27-28页 |
| 6 分类的实现 | 第28-29页 |
| 7 几种分类方法介绍 | 第29-33页 |
| (1) 基于实例的方法 | 第29-30页 |
| (2) 基于决策树的分类法 | 第30-31页 |
| (3) 基于朴素贝叶斯的分类方法 | 第31-32页 |
| (4) 神经网络方法 | 第32-33页 |
| 第三章 径向基函数神经网络 | 第33-49页 |
| 1 人工神经网络基础 | 第33-37页 |
| (1) 人工神经元模型 | 第33-34页 |
| (2) 神经网络的基本原理 | 第34-35页 |
| (3) 神经网络分类 | 第35-37页 |
| 2 RBF神经网络基础 | 第37-41页 |
| (1) RBF神经网络的发展简介 | 第37-38页 |
| (2) 网络拓朴结构与输出计算 | 第38-39页 |
| (3) RBF网络的学习算法综述 | 第39-41页 |
| 3 RBF网络的几种常用学习算法简介 | 第41-49页 |
| (1) 基于k-均值聚类的RBF学习方法 | 第41-42页 |
| (2) 基于遗传算法的RBF学习方法 | 第42-43页 |
| (3) 基于正交最小二乘法的RBF学习方法 | 第43-46页 |
| (4) 基于动态均值聚类的RBF学习方法 | 第46-49页 |
| 第四章 RBF神经网络用于WEB分类系统的设计与实现 | 第49-71页 |
| 1 本系统的框架结构 | 第49-53页 |
| 2 框架结构的实现及模块的对象类 | 第53-54页 |
| 3 建立词典 | 第54-56页 |
| 4 特征提取 | 第56-62页 |
| (1) 文本的特征表示 | 第56-57页 |
| (2) TFIDF向量表示法 | 第57-60页 |
| (3) 特征子集的选取 | 第60-62页 |
| 5 RBF网络分类器及其实现 | 第62-67页 |
| (1) RBF网络分类器的构造 | 第63-65页 |
| (2) 基于最近邻聚类学习算法的RBF实现 | 第65-67页 |
| 6 实验与结果分析 | 第67-71页 |
| 第五章 结论 | 第71-73页 |
| 1 本文总结 | 第71页 |
| 2 今后继续要做的工作 | 第71-73页 |
| 参考文献 | 第73-76页 |
| 致谢 | 第76-77页 |
| 在学期问发表的论文 | 第77页 |