| 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10-11页 |
| ·仿生模式识别在国内外的研究现状 | 第11-12页 |
| ·文本分类和仿生模式识别面临的突出问题 | 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14-27页 |
| ·引言 | 第14页 |
| ·文本分类的基本概念 | 第14-16页 |
| ·文本分类的定义 | 第14页 |
| ·文本分类的评价标准 | 第14-16页 |
| ·文本分类的主要技术和方法 | 第16-25页 |
| ·文本表示技术 | 第16-17页 |
| ·文本特征处理技术 | 第17-21页 |
| ·文本分类算法 | 第21-25页 |
| ·文本分类系统结构 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 仿生模式识别与多权值神经元网络原理 | 第27-37页 |
| ·引言 | 第27页 |
| ·仿生模式识别（BPR）原理简介 | 第27-30页 |
| ·仿生模式识别的数学工具——高维空间几何分析理论 | 第30-32页 |
| ·神经元的多维空间几何对应 | 第30页 |
| ·多维空间几何的基本分析方法 | 第30-32页 |
| ·仿生模式识别的实现方式——多权值神经元人工神经网络 | 第32-36页 |
| ·本章小结 | 第36-37页 |
| 第4章 基于仿生模式识别的文本分类算法 | 第37-49页 |
| ·引言 | 第37页 |
| ·仿生模式识别用于文本分类的原理 | 第37-39页 |
| ·基于超香肠神经元网络的文本分类算法 | 第39-43页 |
| ·拓扑属性分析和神经元的选择 | 第39-40页 |
| ·超香肠神经元网络(HSN Network)文本分类算法 | 第40-43页 |
| ·实验分析 | 第43-47页 |
| ·实验设置 | 第43-45页 |
| ·实验结果分析 | 第45-47页 |
| ·本章小结 | 第47-49页 |
| 第5章 HSN网络文本分类算法的改进 | 第49-58页 |
| ·引言 | 第49页 |
| ·基于聚类的改进方法 | 第49-51页 |
| ·相关的聚类技术 | 第49-50页 |
| ·基于文本聚类的HSN网络分类算法 | 第50-51页 |
| ·HSN网络的K最高识别方法 | 第51-53页 |
| ·HSN神经元覆盖的重叠 | 第51-52页 |
| ·K最高识别算法 | 第52-53页 |
| ·基于二次特征选择的改进方法 | 第53-55页 |
| ·特征选择分析 | 第53-54页 |
| ·二次特征选择的方法 | 第54-55页 |
| ·实验分析 | 第55-57页 |
| ·实验设置 | 第55页 |
| ·实验结果分析 | 第55-57页 |
| ·本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64页 |