| 摘要 | 第2-3页 |
| abstract | 第3-4页 |
| 第1章 绪论 | 第7-13页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 国内外的研究现状 | 第8-10页 |
| 1.3 本文的主要研究工作 | 第10-11页 |
| 1.4 本文组织结构 | 第11-12页 |
| 1.5 本文的创新点 | 第12-13页 |
| 第2章 相关理论和技术 | 第13-24页 |
| 2.1 文本分类 | 第13页 |
| 2.2 文本的表示 | 第13-15页 |
| 2.2.1 布尔模型 | 第14页 |
| 2.2.2 概率模型 | 第14-15页 |
| 2.2.3 空间向量模型 | 第15页 |
| 2.3 特征选择和特征提取 | 第15-20页 |
| 2.3.1 特征选择的过程 | 第16页 |
| 2.3.2 特征选择的定义 | 第16-17页 |
| 2.3.3 搜索策略 | 第17-18页 |
| 2.3.4 评价标准 | 第18-19页 |
| 2.3.5 特征子集选择的准则 | 第19页 |
| 2.3.6 特征提取 | 第19-20页 |
| 2.4 特征选择模型 | 第20-22页 |
| 2.4.1 特征选择的原则 | 第20页 |
| 2.4.2 卡方统计 | 第20-21页 |
| 2.4.3 互信息模型 | 第21页 |
| 2.4.4 期望交叉熵 | 第21-22页 |
| 2.5 分类模型 | 第22-23页 |
| 2.5.1 KNN分类模型 | 第22-23页 |
| 2.5.2 NaiveBayes分类模型 | 第23页 |
| 2.6 本章小结 | 第23-24页 |
| 第3章 模糊技术与传统方法结合的研究分析 | 第24-30页 |
| 3.1 模糊技术 | 第24-27页 |
| 3.1.1 模糊集的基本概念 | 第24-27页 |
| 3.1.2 模糊相似矩阵 | 第27页 |
| 3.2 基于模糊集期望交叉熵的特征选择方法 | 第27-29页 |
| 3.2.1 隶属度函数的设计 | 第28页 |
| 3.2.2 模糊期望交叉熵的确定 | 第28-29页 |
| 3.3 本章小结 | 第29-30页 |
| 第4章 参数优化的特征选择方法 | 第30-40页 |
| 4.1 粒子群优化算法 | 第30-31页 |
| 4.1.1 粒子群算法 | 第30-31页 |
| 4.1.2 二进制编码的粒子群算法 | 第31页 |
| 4.2 基于云模型的粒子群文本特征选择方法 | 第31-36页 |
| 4.2.1 云模型 | 第32页 |
| 4.2.2 粒子编码 | 第32-33页 |
| 4.2.3 适应度函数 | 第33页 |
| 4.2.4 惯性权重的确定 | 第33-34页 |
| 4.2.5 基于云模型的特征选择方法研究 | 第34-36页 |
| 4.3 模糊化KNN分类模型 | 第36-38页 |
| 4.3.1 隶属度函数的设计 | 第36-37页 |
| 4.3.2 AFKNN算法流程图 | 第37-38页 |
| 4.4 性能评价指标 | 第38-39页 |
| 4.5 本章小结 | 第39-40页 |
| 第5章 实验结果与分析 | 第40-53页 |
| 5.1 实验准备 | 第40-44页 |
| 5.1.1 实验环境 | 第40-42页 |
| 5.1.2 实验数据 | 第42页 |
| 5.1.3 数据集样本分布 | 第42-44页 |
| 5.2 实验结果与分析 | 第44-52页 |
| 5.2.1 特征选择方法选出的特征子集 | 第44-45页 |
| 5.2.2 基于AFECE特征选择算法结果分析 | 第45-48页 |
| 5.2.3 基于云模型粒子群优化的特征选择结果与分析 | 第48-50页 |
| 5.2.4 基于KNN分类器改进的模型 | 第50-52页 |
| 5.3 本章小结 | 第52-53页 |
| 第6章 总结与展望 | 第53-55页 |
| 6.1 总结 | 第53-54页 |
| 6.2 展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 攻读学位期间取得的研究成果 | 第59-60页 |
| 致谢 | 第60-61页 |