基于决策树统合方法的最小最大模块化网络及其在专利分类中的运用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 目录 | 第7-10页 |
| 插图索引 | 第10-11页 |
| 表格索引 | 第11-13页 |
| 主要符号对照表 | 第13-14页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 模式识别概述 | 第14-15页 |
| 1.2 并行机器学习 | 第15-16页 |
| 1.2.1 研究背景 | 第15页 |
| 1.2.2 研究现状 | 第15-16页 |
| 1.3 论文安排 | 第16-18页 |
| 第二章 专利分类 | 第18-32页 |
| 2.1 引言 | 第18-19页 |
| 2.2 问题定义 | 第19页 |
| 2.2.1 文本分类系统 | 第19页 |
| 2.3 预处理 | 第19-25页 |
| 2.3.1 文本规范化 | 第20-21页 |
| 2.3.2 索引 | 第21页 |
| 2.3.3 降维 | 第21-25页 |
| 2.4 分类器模型 | 第25-28页 |
| 2.4.1 朴素贝叶斯 | 第25-26页 |
| 2.4.2 K近邻 | 第26页 |
| 2.4.3 Boosting | 第26-27页 |
| 2.4.4 支持向量机 | 第27-28页 |
| 2.5 分类器评测 | 第28-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 最小最大模块化网络 | 第32-44页 |
| 3.1 引言 | 第32页 |
| 3.2 最小最大模块化网络整体结构 | 第32-37页 |
| 3.3 任务分解策略 | 第37-43页 |
| 3.3.1 随机划分 | 第37页 |
| 3.3.2 超平面划分 | 第37-38页 |
| 3.3.3 聚类划分 | 第38-39页 |
| 3.3.4 先验知识划分 | 第39-40页 |
| 3.3.5 判别分析划分 | 第40页 |
| 3.3.6 子模块规模 | 第40-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 基于决策树的分类器集成方法 | 第44-59页 |
| 4.1 引言 | 第44-45页 |
| 4.2 分类器选择算法 | 第45-49页 |
| 4.2.1 非对称分类器选择 | 第46-47页 |
| 4.2.2 对称分类器选择 | 第47-49页 |
| 4.3 决策树分类器选择算法 | 第49-52页 |
| 4.4 实验结果及分析 | 第52-58页 |
| 4.4.1 双螺旋线问题 | 第52-56页 |
| 4.4.2 小规模的专利分类问题 | 第56-58页 |
| 4.5 本章小节 | 第58-59页 |
| 第五章 大规模专利分类问题上的应用 | 第59-72页 |
| 5.1 引言 | 第59-61页 |
| 5.2 决策树统合方法在专利分类上的效果 | 第61-64页 |
| 5.2.1 实验结果 | 第62-63页 |
| 5.2.2 计算复杂度 | 第63-64页 |
| 5.3 决策树统合方法的优化 | 第64-68页 |
| 5.3.1 减少决策树训练数据集规模 | 第64-66页 |
| 5.3.2 决策树训练数据集的降噪处理 | 第66-68页 |
| 5.4 决策树统合方法的并行化学习 | 第68-71页 |
| 5.4.1 流水 | 第68-69页 |
| 5.4.2 决策树选择算法并行学习性能的优化 | 第69-71页 |
| 5.5 本章小节 | 第71-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 6.1 本文主要贡献 | 第72-73页 |
| 6.2 进一步的研究工作 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 致谢 | 第79-80页 |
| 攻读学位论文期间发表的学术论文目录 | 第80-82页 |
