| 摘要 | 第1-7页 |
| Abstract | 第7-13页 |
| 1 绪论 | 第13-40页 |
| ·研究的背景和意义 | 第13-15页 |
| ·支持向量机的基本理论及其特点 | 第15-24页 |
| ·支持向量机的理论基础 | 第15-18页 |
| ·标准支持向量机模型 | 第18-22页 |
| ·支持向量机的特点及其优势 | 第22-24页 |
| ·支持向量机的研究现状及其存在的主要问题 | 第24-37页 |
| ·支持向量机模型及其训练算法研究 | 第25-32页 |
| ·支持向量机在文本分类中的应用研究 | 第32-35页 |
| ·支持向量机存在的主要问题 | 第35-37页 |
| ·本文的主要工作 | 第37-40页 |
| 2 基于半模糊核聚类的树型支持向量机多类娄类方法(SFKC-SVM) | 第40-67页 |
| ·引言 | 第40页 |
| ·支持向量机多类分类方法及其特点分析 | 第40-46页 |
| ·树型支持向量机的树结构及其特点 | 第46-49页 |
| ·半模糊核聚类算法与SFKC-SVM方法 | 第49-58页 |
| ·半模糊核聚类算法 | 第50-56页 |
| ·SFKC-SVM方法 | 第56-58页 |
| ·实验与结果分析 | 第58-66页 |
| ·SFKC-SVM方法与其它方法的对比 | 第58-62页 |
| ·SFKC-SVM方法用于文本分类的实验结果 | 第62-66页 |
| ·本章小结 | 第66-67页 |
| 3 支持向量机组合分类方法 | 第67-85页 |
| ·引言 | 第67页 |
| ·一种模糊支持向量机的推广模型 | 第67-72页 |
| ·模糊支持向量机 | 第67-69页 |
| ·模糊支持向量机的推广模型 | 第69-72页 |
| ·近似支持向量机与模糊支持向量机的组合分类方法 | 第72-80页 |
| ·近似支持向量机与训练样本集的精简 | 第73-77页 |
| ·模糊支持向量机推广模型样本权值的计算 | 第77-79页 |
| ·支持向量机组合分类方法 | 第79-80页 |
| ·实验与分析 | 第80-83页 |
| ·支持向量机组合分类方法与其它方法的对比 | 第80-82页 |
| ·支持向量机组合分类方法用于文本分类的实验结果 | 第82-83页 |
| ·本章小结 | 第83-85页 |
| 4 支持向量集合的缩减方法 | 第85-104页 |
| ·引言 | 第85-86页 |
| ·支持向量集合的缩减与支持向量回归方法 | 第86-93页 |
| ·支持向量集合及其缩减方法 | 第86-89页 |
| ·支持向量回归方法及其特点 | 第89-93页 |
| ·基于虚样本与支持向量回归的支持向量集合缩减方法 | 第93-99页 |
| ·训练集的选择对回归算法估计效果的影响 | 第93-94页 |
| ·虚样本与回归算法训练集的生成方法 | 第94-98页 |
| ·支持向量集合的缩减方法 | 第98-99页 |
| ·实验与结果分析 | 第99-102页 |
| ·本章小结 | 第102-104页 |
| 5 支持向量机在文本分类特征提取中的应用 | 第104-120页 |
| ·引言 | 第104-105页 |
| ·文本分类特征选择和提取方法 | 第105-109页 |
| ·基于评估函数的文本特征选择方法 | 第105-107页 |
| ·基于单词聚类的文本特征提取方法 | 第107-109页 |
| ·基于支持向量机的单词聚类方法 | 第109-115页 |
| ·若干相关概念的界定 | 第110-112页 |
| ·基于支持向量机的单词聚类方法 | 第112-115页 |
| ·实验及结果分析 | 第115-119页 |
| ·本章小结 | 第119-120页 |
| 6 总结与展望 | 第120-123页 |
| 参考文献 | 第123-132页 |
| 攻读博士学位期间发表和完成学术论文情况 | 第132-133页 |
| 创新点摘要 | 第133-134页 |
| 致谢 | 第134-135页 |
| 大连理工大学学位论文版权使用授权书 | 第135页 |