基于半监督的垃圾图片过滤技术研究
| 摘要 | 第1-5页 |
| Abstract | 第5-7页 |
| 专用术语注释表 | 第7-8页 |
| 第一章 绪论 | 第8-13页 |
| ·研究背景 | 第8-9页 |
| ·研究现状 | 第9-11页 |
| ·本文主要工作内容 | 第11页 |
| ·论文内容结构 | 第11-13页 |
| 第二章 图像型垃圾邮件的特征分析及检测方法 | 第13-24页 |
| ·前言 | 第13-14页 |
| ·图像型垃圾邮件的特点分析 | 第14-15页 |
| ·基于图像内容的垃圾邮件检测方法分析 | 第15-22页 |
| ·基于图像的边缘特征的检测技术 | 第15-16页 |
| ·基于文本内容的检测方法 | 第16-18页 |
| ·基于图片伪造特征的检测方法 | 第18-20页 |
| ·基于图片纹理特征的检测方法 | 第20-21页 |
| ·其他类别的检测方法 | 第21-22页 |
| ·本章小结 | 第22-24页 |
| 第三章 基于文本与图片结合特征的垃圾检测技术 | 第24-34页 |
| ·前言 | 第24-25页 |
| ·文本与图片的结合特征向量提取 | 第25-29页 |
| ·文本特征向量的提取 | 第25-26页 |
| ·图片特征向量的提取 | 第26-29页 |
| ·实验 | 第29-32页 |
| ·数据集准备和评价指标 | 第29-31页 |
| ·实验及结果分析 | 第31-32页 |
| ·本章小结 | 第32-34页 |
| 第四章 基于半监督学习的邮件分类实现 | 第34-45页 |
| ·引言 | 第34-35页 |
| ·主动学习算法 | 第35-36页 |
| ·基于主动学习策略的半监督分类方法 | 第36-37页 |
| ·SVM分类算法 | 第37-40页 |
| ·SVM原理简介 | 第37-38页 |
| ·SVM算法分析 | 第38-40页 |
| ·基于在线学习的支持向量机分类模型 | 第40-41页 |
| ·实验与结果分析 | 第41-44页 |
| ·实验样本提取 | 第41-42页 |
| ·实验的评价指标 | 第42-43页 |
| ·实验过程及结果分析 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第五章 总结与展望 | 第45-47页 |
| ·本文完成的工作 | 第45-46页 |
| ·未来的研究方向 | 第46-47页 |
| 参考文献 | 第47-52页 |
| 致谢 | 第52页 |
