基于模糊逻辑和神经网络的文本分类方法
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第1章 绪论 | 第8-13页 |
| ·研究背景及意义 | 第8-10页 |
| ·国内外研究现状 | 第10-11页 |
| ·模糊逻辑和神经网络结合的研究现状 | 第10页 |
| ·文本分类研究现状 | 第10-11页 |
| ·本文工作内容 | 第11页 |
| ·论文的组织 | 第11-13页 |
| 第2章 文本分类综述 | 第13-29页 |
| ·文本数据的特点 | 第13-14页 |
| ·文本分类描述 | 第14-15页 |
| ·特征项类型 | 第15-16页 |
| ·文本预处理 | 第16-17页 |
| ·特征表示模型 | 第17-21页 |
| ·集合模型 | 第17-18页 |
| ·概率模型 | 第18-19页 |
| ·代数模型 | 第19-21页 |
| ·概念模型 | 第21页 |
| ·特征选择 | 第21-25页 |
| ·文本频率 | 第22页 |
| ·信息增益 | 第22-23页 |
| ·互信息 | 第23页 |
| ·卡方统计 | 第23-24页 |
| ·期望交叉熵 | 第24页 |
| ·证据权值 | 第24-25页 |
| ·评估方法 | 第25-26页 |
| ·保持法 | 第25-26页 |
| ·k-折交叉验证 | 第26页 |
| ·性能指标 | 第26-29页 |
| ·查全率、查准率和F1-测度 | 第26-27页 |
| ·宏平均、微平均 | 第27-29页 |
| 第3章 常用文本分类算法 | 第29-36页 |
| ·朴素贝叶斯算法 | 第29-30页 |
| ·决策树算法 | 第30-31页 |
| ·基于关联规则的算法 | 第31-32页 |
| ·简单向量距离算法 | 第32页 |
| ·K近邻算法 | 第32-33页 |
| ·支持向量机算法 | 第33-34页 |
| ·基于投票的方法 | 第34-36页 |
| 第4章 不平衡数据处理 | 第36-38页 |
| ·向下取样 | 第36页 |
| ·向上取样 | 第36-38页 |
| 第5章 模糊逻辑理论和BP神经网络概述 | 第38-57页 |
| ·模糊逻辑理论 | 第38-43页 |
| ·隶属函数 | 第38-40页 |
| ·模糊集的表示 | 第40页 |
| ·模糊集的基本运算 | 第40-43页 |
| ·人工神经网络 | 第43-53页 |
| ·神经元模拟 | 第43-45页 |
| ·多层前馈神经网络 | 第45-47页 |
| ·反向传播算法 | 第47-53页 |
| ·模糊逻辑和神经网络结合 | 第53-57页 |
| 第6章 分类器模型的实现 | 第57-75页 |
| ·模型的实现细节 | 第57-72页 |
| ·数据结构描述 | 第58-65页 |
| ·功能函数描述 | 第65-72页 |
| ·性能测试及其评估 | 第72-75页 |
| ·数据集与取样集 | 第72-73页 |
| ·参数选择与测试结果 | 第73-75页 |
| 第7章 结论与展望 | 第75-77页 |
| ·论文工作总结 | 第75页 |
| ·进一步研究展望 | 第75-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-81页 |
| 攻读学位期间的研究成果 | 第81页 |
