| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 文本分类研究背景 | 第10-11页 |
| 1.2 文本分类研究概况 | 第11-14页 |
| 1.3 本文研究内容 | 第14-15页 |
| 1.4 论文结构 | 第15-16页 |
| 第2章 文本分类相关知识 | 第16-27页 |
| 2.1 文本分类技术概述 | 第16页 |
| 2.2 文本预处理技术 | 第16-20页 |
| 2.2.1 文本分词 | 第16-17页 |
| 2.2.2 权重计算 | 第17-18页 |
| 2.2.3 文本表示 | 第18-19页 |
| 2.2.4 特征选择 | 第19-20页 |
| 2.3 常用文本分类算法 | 第20-26页 |
| 2.3.1 朴素贝叶斯(Naive Bayes) | 第20-21页 |
| 2.3.2 K近邻算法(K-Nearest Neighbor,KNN) | 第21-22页 |
| 2.3.3 支持向量机(Support Vector Machine,SVM) | 第22-23页 |
| 2.3.4 神经网络(Neural Network,NN) | 第23-25页 |
| 2.3.5 决策树(Decision Tree) | 第25-26页 |
| 2.4 性能评价指标 | 第26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 White-PCA特征降维 | 第27-34页 |
| 3.1 降维算法概述 | 第27页 |
| 3.2 基于PCA的降维算法 | 第27-33页 |
| 3.3 白化(Whitening) | 第33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 SOM算法改进 | 第34-46页 |
| 4.1 SOM网络概述 | 第34页 |
| 4.2 SOM算法及分析 | 第34-38页 |
| 4.2.1 SOM算法 | 第34-37页 |
| 4.2.2 SOM算法分析 | 第37-38页 |
| 4.3 SOM算法改进 | 第38-41页 |
| 4.3.1 输入向量的处理 | 第38页 |
| 4.3.2 初始化权值优化 | 第38-40页 |
| 4.3.3 良心算法 | 第40-41页 |
| 4.4 核SOM(KSOM)算法 | 第41-43页 |
| 4.4.1 核方法(Kernel) | 第41页 |
| 4.4.2 核函数 | 第41-43页 |
| 4.4.3 核SOM算法 | 第43页 |
| 4.5 改进KSOM算法 | 第43-45页 |
| 4.6 小结 | 第45-46页 |
| 第5章 基于White-PCA和改进KSOM的文本分类 | 第46-54页 |
| 5.1 方法概述 | 第46页 |
| 5.2 White-PCA和KSOM文本分类流程 | 第46-49页 |
| 5.3 实验及分析 | 第49-53页 |
| 5.3.1 KSOM分类算法 | 第50-52页 |
| 5.3.2 基于White-PCA的分类算法性能比较 | 第52-53页 |
| 5.4 本章小结 | 第53-54页 |
| 第6章 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54页 |
| 6.2 展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60页 |
