基于仿生模式识别的文本分类算法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-14页 |
| ·研究背景和意义 | 第9-10页 |
| ·国内外相关技术研究现状 | 第10-12页 |
| ·文本分类在国内外的研究现状 | 第10-12页 |
| ·仿生模式识别在国内外的研究现状 | 第12页 |
| ·本文主要研究内容 | 第12-13页 |
| ·本文的内容组织 | 第13-14页 |
| 第2章 文本分类关键技术 | 第14-30页 |
| ·引言 | 第14页 |
| ·文本分类概述 | 第14-16页 |
| ·文本表示方法 | 第16-17页 |
| ·特征选择算法 | 第17-22页 |
| ·权重计算方法 | 第22-24页 |
| ·文本分类算法 | 第24-27页 |
| ·测试与评价标准 | 第27-29页 |
| ·本章小结 | 第29-30页 |
| 第3章 仿生模式识别的理论基础与实现方法 | 第30-44页 |
| ·引言 | 第30页 |
| ·仿生模式识别（BPR）原理简介 | 第30-31页 |
| ·仿生模式识别与传统模式识别的差别 | 第31-33页 |
| ·认知理论的差别 | 第31-32页 |
| ·数学模型的差别 | 第32-33页 |
| ·仿生模式识别的实现方式——多权值神经元网络 | 第33-38页 |
| ·神经元的多维空间几何对应 | 第33-34页 |
| ·多权值神经元网络 | 第34-38页 |
| ·基于超香肠神经元网络的文本分类算法 | 第38-41页 |
| ·拓扑属性分析和神经元的选择 | 第38-40页 |
| ·基于最小生成树的HSN 文本分类算法 | 第40-41页 |
| ·实验结果与分析 | 第41-42页 |
| ·实验设置 | 第41页 |
| ·实验结果分析 | 第41-42页 |
| ·本章小结 | 第42-44页 |
| 第4章 基于文本相似度的神经元生成算法 | 第44-53页 |
| ·引言 | 第44页 |
| ·仿生模式识别用于文本分类的原理 | 第44-46页 |
| ·基于文本相似度的神经元生成算法 | 第46-49页 |
| ·实验结果与分析 | 第49-52页 |
| ·实验设置 | 第49-50页 |
| ·实验结果分析 | 第50-52页 |
| ·本章小结 | 第52-53页 |
| 第5章 多权值神经元网络文本分类算法的改进 | 第53-60页 |
| ·引言 | 第53页 |
| ·文本相似度与距离相结合的神经元生成算法 | 第53-56页 |
| ·算法描述 | 第53-54页 |
| ·实验结果与分析 | 第54-56页 |
| ·基于特征类别属性的改进方法 | 第56-58页 |
| ·算法描述 | 第56-57页 |
| ·实验结果与分析 | 第57-58页 |
| ·本章小结 | 第58-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67页 |
