支持向量机的神经网络中文文本聚类研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-14页 |
| ·课题背景及意义 | 第9-10页 |
| ·文本聚类技术研究现状 | 第10-12页 |
| ·国外文本聚类研究现状 | 第10-11页 |
| ·国内文本聚类研究现状 | 第11-12页 |
| ·本文的主要工作 | 第12页 |
| ·本文的内容组织安排 | 第12-14页 |
| 第二章 文本聚类相关理论概述 | 第14-26页 |
| ·数据挖掘 | 第14-16页 |
| ·数据挖掘定义和功能 | 第14-15页 |
| ·数据挖掘过程 | 第15-16页 |
| ·聚类分析 | 第16-20页 |
| ·聚类分析定义 | 第16页 |
| ·聚类分析主要算法 | 第16-20页 |
| ·支持向量机 | 第20-25页 |
| ·线性可分情形与最优分类超平面 | 第21-22页 |
| ·线性不可分情形与软间隔 | 第22-23页 |
| ·非线性情形与核函数 | 第23-24页 |
| ·支持向量机的优点 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 数据预处理 | 第26-34页 |
| ·中文切词 | 第26-28页 |
| ·中文切词的必要性 | 第26-27页 |
| ·中文切词的方法 | 第27-28页 |
| ·中文文档特征表示 | 第28-31页 |
| ·向量空间模型 | 第28-29页 |
| ·权重评价 | 第29-31页 |
| ·特征降维 | 第31-33页 |
| ·特征降维必要性分析 | 第31-32页 |
| ·特征降维方法 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 第四章 支持向量机的神经网络中文文本聚类算法 | 第34-44页 |
| ·自组织特征映射神经网络 | 第34-38页 |
| ·SOM网络模型 | 第34-36页 |
| ·SOM网络特性 | 第36页 |
| ·SOM网络学习算法 | 第36-38页 |
| ·SVM-SOM中文文本聚类算法 | 第38-43页 |
| ·SVM-SOM算法原理 | 第38-39页 |
| ·SVM-SOM算法收敛性分析 | 第39-42页 |
| ·SVM-SOM算法步骤 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第五章 实验及结果 | 第44-60页 |
| ·数据预处理 | 第44-48页 |
| ·文本向量化 | 第44-45页 |
| ·文本词频统计 | 第45-46页 |
| ·特征降维 | 第46-48页 |
| ·实验及其结果分析 | 第48-59页 |
| ·算法实现 | 第48-50页 |
| ·权重评价方法对SOM网络性能和聚类效果的影响 | 第50-53页 |
| ·SOM与SVM-SOM聚类有效性实验 | 第53-56页 |
| ·SOM与SVM-SOM鲁棒性实验 | 第56-59页 |
| ·本章小结 | 第59-60页 |
| 第六章 结束语 | 第60-62页 |
| ·本文研究工作总结 | 第60页 |
| ·后续的研究工作与展望 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-68页 |
| 攻读硕士学位期间完成论文情况 | 第68页 |
| 攻读硕士学位期间参加的科研项目情况 | 第68页 |
