| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第1章 绪论 | 第11-15页 |
| ·研究背景和动态 | 第11-12页 |
| ·研究意义 | 第12-14页 |
| ·文本组织 | 第12页 |
| ·文本过滤 | 第12-13页 |
| ·话题追踪与探测 | 第13页 |
| ·其它应用 | 第13-14页 |
| ·本文主要工作 | 第14页 |
| ·论文组织结构 | 第14-15页 |
| 第2章 文本分类关键技术的研究和分析 | 第15-29页 |
| ·文本分类的定义 | 第15-16页 |
| ·文本预处理 | 第16页 |
| ·过滤非法字符和字母大小写转换 | 第16页 |
| ·去除停用词 | 第16页 |
| ·合并同根词 | 第16页 |
| ·文本的特征表示 | 第16-19页 |
| ·文本表示 | 第16-18页 |
| ·特征项的选择 | 第18页 |
| ·特征项权值的计算 | 第18-19页 |
| ·特征降维 | 第19-23页 |
| ·特征降维的必要性 | 第19-20页 |
| ·特征降维的主要方法及分析 | 第20-23页 |
| ·文本分类算法 | 第23-28页 |
| ·类中心向量 | 第23-24页 |
| ·朴素贝叶斯(Naive Bayes) | 第24-25页 |
| ·k 近邻 | 第25-26页 |
| ·支持向量机 | 第26-27页 |
| ·决策树 | 第27页 |
| ·神经网络 | 第27-28页 |
| ·文本分类算法的性能评估 | 第28-29页 |
| 第3章 RBF神经网络分类算法研究 | 第29-37页 |
| ·人工神经网络概述 | 第29-30页 |
| ·神经网络应用于文本分类 | 第30-31页 |
| ·基于RBF 神经网络的分类算法 | 第31-37页 |
| ·RBF 神经网络 | 第31-34页 |
| ·RBF 神经网络学习算法 | 第34-37页 |
| 第4章 基于核主成分分析的文本特征抽取研究和分析 | 第37-47页 |
| ·文本特征选择算法的局限性 | 第37-39页 |
| ·基于核主成分分析的特征抽取算法 | 第39-47页 |
| ·主成分分析 | 第39-43页 |
| ·核主成分分析 | 第43-46页 |
| ·核主成分分析算法步骤 | 第46-47页 |
| 第5章 基于核主成分分析和 RBF 神经网络的文本分类模型及实验研究 | 第47-59页 |
| ·基于KPCA 和RBF 神经网络的文本分类模型及实验设置 | 第47-53页 |
| ·实验语料集 | 第48-49页 |
| ·预处理模块 | 第49页 |
| ·特征表示模块 | 第49页 |
| ·特征降维模块 | 第49-50页 |
| ·分类算法模块 | 第50-52页 |
| ·性能评价 | 第52页 |
| ·实验对比设置 | 第52-53页 |
| ·实验结果及分析 | 第53-59页 |
| ·基于文本频数的分类器性能比较和分析 | 第53-54页 |
| ·基于KPCA 的分类器性能比较和分析 | 第54-57页 |
| ·基于KPCA 的特征抽取算法的优劣分析 | 第57-59页 |
| 第6章 总结和展望 | 第59-61页 |
| ·总结 | 第59-60页 |
| ·进一步的工作 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 在读期间发表的学术论文 | 第66页 |