中文语音识别结果文本分类的研究与实现
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-11页 |
| ·研究背景及意义 | 第8-9页 |
| ·文本分类的定义及主要技术 | 第9-10页 |
| ·本文的研究工作 | 第10-11页 |
| 2 理论基础和相关技术 | 第11-19页 |
| ·中文文本分类的一般过程 | 第11-12页 |
| ·中文分词技术 | 第12-13页 |
| ·特征处理和特征表示技术 | 第13-15页 |
| ·特征选择 | 第13页 |
| ·特征提取 | 第13-14页 |
| ·特征加权 | 第14页 |
| ·特征表示 | 第14-15页 |
| ·分类构造算法 | 第15-19页 |
| ·决策树 | 第15页 |
| ·SVM(支持向量机) | 第15-17页 |
| ·贝叶斯分类 | 第17页 |
| ·KNN(K-近邻算法) | 第17-18页 |
| ·神经网络算法 | 第18-19页 |
| 3 语音识别文本分类系统架构设计 | 第19-24页 |
| ·系统设计目标 | 第19页 |
| ·系统设计思想 | 第19-21页 |
| ·语音识别文本分类系统总体设计 | 第21-24页 |
| 4 功能模块的设计和实现 | 第24-36页 |
| ·系统分词 | 第24-26页 |
| ·一般中文语音识别系统结构 | 第24-25页 |
| ·分词处理优化 | 第25-26页 |
| ·去停用词处理 | 第26-28页 |
| ·文本的特征选择 | 第28-32页 |
| ·信息增益(IG) | 第28-29页 |
| ·互信息量(MI) | 第29-30页 |
| ·x~2统计量(CHI) | 第30页 |
| ·期望交叉熵(ECE) | 第30-31页 |
| ·文本证据权重(WET) | 第31页 |
| ·特征选择算法的实现 | 第31-32页 |
| ·文本表示——向量空间模型(VSM) | 第32-36页 |
| 5 分类器构造算法的设计与实现 | 第36-48页 |
| ·统计学习理论和支持向量机 | 第36-42页 |
| ·统计学习理论 | 第36-38页 |
| ·支持向量机 | 第38-41页 |
| ·SVM的多类分类 | 第41-42页 |
| ·SVM分类器的改进与实现 | 第42-46页 |
| ·算法改进 | 第42-44页 |
| ·参数优化 | 第44-45页 |
| ·改进的SVM分类器参数设置界面 | 第45-46页 |
| ·朴素贝叶斯分类 | 第46页 |
| ·KNN分类 | 第46-48页 |
| 6 实验结果及分析 | 第48-54页 |
| ·系统界面与实验样本集 | 第48-49页 |
| ·评估指标及标准 | 第49-50页 |
| ·改进的SVM分类结果及分析 | 第50-52页 |
| ·几种分类方法的比较研究 | 第52-54页 |
| 结论 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 附录A 分类系统各模块部分代码 | 第58-62页 |
| 攻读硕士学位期间发表学术论文情况 | 第62-63页 |
| 致谢 | 第63-64页 |
