基于物流车队应用SVM文本挖掘研究
| 内容摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第1章 引言 | 第8-10页 |
| ·研究背景 | 第8页 |
| ·本文内容安排 | 第8-9页 |
| ·研究方法 | 第9-10页 |
| 第2章 文献综述 | 第10-13页 |
| ·国外研究现状 | 第10-11页 |
| ·国内研究现状 | 第11-13页 |
| 第3章 中文文本分类技术 | 第13-22页 |
| ·本文分类概述 | 第13-14页 |
| ·文本预处理及中文分词 | 第14页 |
| ·向量空间模型表示文本 | 第14-18页 |
| ·文本分类算法 | 第18-21页 |
| ·分类器性能评估 | 第21-22页 |
| 第4章 基于SVM文本分类的研究 | 第22-30页 |
| ·SVM概述 | 第22-23页 |
| ·线性可分的SVM | 第23-25页 |
| ·非线性可分的SVM | 第25-27页 |
| ·SVM训练算法 | 第27-30页 |
| 第5章 基于支持向量机的多类分类研究 | 第30-39页 |
| ·多类SVM研究现状 | 第30-32页 |
| ·一种改进的多类SVM | 第32-35页 |
| ·基于聚类算法改进的二叉树SVM | 第35-39页 |
| 第6章 系统建模和设计 | 第39-52页 |
| ·系统背景及目的 | 第39-40页 |
| ·系统模型设计及改进 | 第40-42页 |
| ·系统结构 | 第42-43页 |
| ·分词模块研究与设计 | 第43-46页 |
| ·文本表示模块研究与设计 | 第46-49页 |
| ·SVM训练模块研究与设计 | 第49-52页 |
| 第7章 实验分析 | 第52-56页 |
| ·实验环境及评价指标 | 第52-53页 |
| ·降维算法实验 | 第53-55页 |
| ·支持向量机核函数实验 | 第55-56页 |
| 第8章 总结与展望 | 第56-58页 |
| ·总结 | 第56-57页 |
| ·研究工作展望 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 后记 | 第61页 |
