基于SAE-LBP网页分类的研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-14页 |
| 第一章 绪论 | 第14-20页 |
| ·概述 | 第14-15页 |
| ·国内外相关研究 | 第15-17页 |
| ·本文的研究内容 | 第17-18页 |
| ·本文的组织结构 | 第18-20页 |
| 第二章 网页分类器基本原理 | 第20-34页 |
| ·预处理 | 第21-23页 |
| ·HTML解析 | 第21-22页 |
| ·分词与词性标注 | 第22-23页 |
| ·文本特征表示 | 第23-26页 |
| ·布尔模型 | 第23-24页 |
| ·统计语言模型 | 第24-25页 |
| ·向量空间模型 | 第25-26页 |
| ·特征选取 | 第26-31页 |
| ·传统特征选取方法 | 第27-31页 |
| ·分类模型 | 第31-32页 |
| ·神经网络 | 第31-32页 |
| ·支持向量机 | 第32页 |
| ·评价方法 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 第三章 基于学习率自动调整的梯度下降 | 第34-46页 |
| ·BP神经网络 | 第34-41页 |
| ·BP神经网络结构 | 第34-37页 |
| ·BP神经网络模型 | 第37-38页 |
| ·BP神经网络求解 | 第38-41页 |
| ·学习率 | 第41-45页 |
| ·学习率自动调整算法 | 第42-43页 |
| ·改进的学习率自动调整算法 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 第四章 基于SAE-LBP的网页分类 | 第46-60页 |
| ·基于深度学习的特征选取 | 第46-50页 |
| ·自动编码器 | 第47-49页 |
| ·降噪自动编码器 | 第49页 |
| ·稀疏自动编码器 | 第49-50页 |
| ·稀疏自动编码器 | 第50-53页 |
| ·稀疏自动编码器模型 | 第51-52页 |
| ·稀疏自动编码器求解 | 第52-53页 |
| ·LBP神经网络 | 第53-55页 |
| ·LBP神经网络 | 第53-55页 |
| ·基于学习率自动调整的LBP神经网络 | 第55页 |
| ·基于SAE-LBP的网页分类 | 第55-58页 |
| ·本章小结 | 第58-60页 |
| 第五章 实验结果与分析 | 第60-68页 |
| ·数据集 | 第60-61页 |
| ·HTML标签权值设置相关实验 | 第61-62页 |
| ·SAE进行特征提取相关实验 | 第62-63页 |
| ·BP神经网络优化相关实验 | 第63-65页 |
| ·基于SAE-LBP网页分类相关实验 | 第65-66页 |
| ·本章小结 | 第66-68页 |
| 第六章 总结与展望 | 第68-70页 |
| ·本文的主要工作与贡献 | 第68-69页 |
| ·展望未来 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-76页 |
| 在读期间发表的学术论文与取得的研究成果 | 第76页 |
