基于支持向量机的文本分类问题研究
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-13页 |
| ·问题的提出及意义 | 第9-10页 |
| ·研究背景及现状 | 第10-11页 |
| ·本文的研究工作 | 第11-13页 |
| 第2章 文本分类技术 | 第13-22页 |
| ·文本分类任务的特点 | 第13-15页 |
| ·文档表示模型 | 第15-17页 |
| ·文档特征 | 第15-16页 |
| ·文档表示 | 第16-17页 |
| ·文档特征选择方法 | 第17-19页 |
| ·信息增量(Information Gain) | 第18页 |
| ·互信息(Mutual Information) | 第18-19页 |
| ·x~2统计 | 第19页 |
| ·交叉熵(Cross Entropy) | 第19页 |
| ·特征词权重 | 第19-20页 |
| ·文本分类性能评估指标 | 第20-21页 |
| ·常用的文本分类方法 | 第21-22页 |
| 第3章 支持向量机与统计学习理论 | 第22-33页 |
| ·机器学习的基本方法 | 第22-24页 |
| ·学习问题的一般表示 | 第22-23页 |
| ·经验风险最小化 | 第23-24页 |
| ·复杂性与推广能力 | 第24页 |
| ·统计学习理论 | 第24-26页 |
| ·VC维 | 第24-25页 |
| ·结构风险最小化 | 第25-26页 |
| ·支持向量机 | 第26-33页 |
| ·SVM的基木思想 | 第26-27页 |
| ·SVM的理论基础 | 第27-29页 |
| ·SVM的数学分模型 | 第29-33页 |
| 第4章 密度聚类在支持向量机中的应用 | 第33-49页 |
| ·常用聚类算法介绍 | 第33-35页 |
| ·模糊 C均值聚类算法(FCM) | 第34-35页 |
| ·CURE算法 | 第35页 |
| ·DBSCAN算法 | 第35页 |
| ·密度聚类方法在支持向量机中的应用 | 第35-37页 |
| ·支持向量对 SVM分类的影响 | 第36页 |
| ·各种聚类算法的比较 | 第36-37页 |
| ·利用密度聚类算法求取边缘点 | 第37-49页 |
| ·密度聚类方法的定义 | 第37-39页 |
| ·DBSCAN算法的不足 | 第39-40页 |
| ·改进的快速密度聚类算法 | 第40-42页 |
| ·参考点数据结构 | 第42页 |
| ·寻找参考点 | 第42-44页 |
| ·提取边缘点 | 第44-45页 |
| ·算法初始参数的设定 | 第45-47页 |
| ·算法时空复杂度分析 | 第47-49页 |
| 第5章 文本分类系统的设计与实现 | 第49-57页 |
| ·系统结构 | 第49-50页 |
| ·系统功能 | 第50-53页 |
| ·实验结果与分析 | 第53-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 攻读学位期间公开发表论文 | 第61-63页 |
| 致谢 | 第63-65页 |
| 研究生履历 | 第65页 |
