| 第一章 绪论 | 第1-18页 |
| ·问题的提出 | 第13-14页 |
| ·研究背景 | 第14-15页 |
| ·本课题的研究内容，意义和关键技术 | 第15-17页 |
| ·论文的组织结构 | 第17-18页 |
| 第二章 数字信息处理与机器学习技术 | 第18-28页 |
| ·数字信息处理技术 | 第18-21页 |
| ·数字信号处理技术 | 第18-19页 |
| ·数字信息处理技术 | 第19-21页 |
| ·数字信号处理技术与数字信息处理技术的关系 | 第21页 |
| ·机器学习 | 第21-26页 |
| ·机器学习的基本概念 | 第22-24页 |
| ·机器学习的发展状况 | 第24-25页 |
| ·机器学习的方法 | 第25-26页 |
| ·机器学习技术在数字信息处理中的应用 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 邮件数字信息预处理和特征选取研究与实现 | 第28-50页 |
| ·向量空间模型 | 第28-31页 |
| ·邮件数字信息的表示 | 第28-29页 |
| ·向量空间模型定义 | 第29-31页 |
| ·邮件数字信息分词系统 | 第31页 |
| ·特征项权重算法 | 第31-33页 |
| ·邮件数字信息特征选择方法研究与实现 | 第33-40页 |
| ·特征选择基本概念 | 第34-35页 |
| ·邮件数字信息特征选择算法及实现 | 第35-40页 |
| ·基于遗传算法和特征选择度量相结合的特征选择方法设计与实现 | 第40-49页 |
| ·遗传算法基本概述 | 第40-43页 |
| ·遗传算法和特征选择度量相结合的特征选择设计与实现 | 第43-49页 |
| ·本章小结 | 第49-50页 |
| 第四章 基于机器学习的邮件信息处理分类器的设计与实现 | 第50-66页 |
| ·人工神经网络 | 第50-52页 |
| ·人工神经网络理论 | 第50页 |
| ·人工神经网络的基本结构 | 第50-52页 |
| ·BP 神经网络结构与原理 | 第52-54页 |
| ·BP 网络结构 | 第53页 |
| ·BP 网络的信号流动 | 第53页 |
| ·误差反向传播算法过程 | 第53-54页 |
| ·邮件数字信息BP 神经网络分类器的设计与实现 | 第54-59页 |
| ·邮件数字信息BP 神经网络分类器学习算法 | 第54-56页 |
| ·邮件数字信息BP 神经网络分类器结构设计 | 第56-58页 |
| ·BP 神经网络实现邮件数字信息分类处理 | 第58-59页 |
| ·BP 算法的缺点 | 第59-60页 |
| ·遗传算法优化BP 神经网络邮件数字信息分类器设计 | 第60-65页 |
| ·遗传神经网络 | 第60-61页 |
| ·遗传算法优化BP 网络权值设计与实现 | 第61-65页 |
| ·本章小结 | 第65-66页 |
| 第五章 基于机器学习的邮件数字信息处理系统实现 | 第66-83页 |
| ·基于机器学习的邮件数字信息处理系统设计 | 第66-69页 |
| ·基于机器学习的邮件数字信息处理系统模型 | 第66页 |
| ·基于机器学习的邮件数字信息处理系统工作过程 | 第66-67页 |
| ·邮件数字信息处理系统功能模块 | 第67-69页 |
| ·邮件数字信息训练和测试样本集 | 第69页 |
| ·邮件数字信息处理系统实现 | 第69-73页 |
| ·系统软硬件环境 | 第69-70页 |
| ·邮件数字信息处理系统 | 第70-73页 |
| ·基于机器学习的邮件数字信息处理系统实验及结果分析 | 第73-82页 |
| ·邮件数字信息处理系统性能评价体系 | 第73-74页 |
| ·邮件数字信息处理系统处理及结果分析 | 第74-82页 |
| ·本章小结 | 第82-83页 |
| 第六章 总结与展望 | 第83-85页 |
| ·总结 | 第83-84页 |
| ·下一步工作的展望 | 第84-85页 |
| 参考文献 | 第85-89页 |
| 致谢 | 第89-90页 |
| 攻读硕士学位期间发表的学术论文 | 第90页 |
