| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-13页 |
| ·研究背景及意义 | 第9-11页 |
| ·研究背景 | 第9-10页 |
| ·研究意义 | 第10-11页 |
| ·主要研究内容 | 第11页 |
| ·本文组织结构 | 第11-13页 |
| 第2章 支持向量机理论 | 第13-27页 |
| ·统计学习理论 | 第13-17页 |
| ·机器学习的基本问题 | 第13-15页 |
| ·统计学习理论的核心内容 | 第15-17页 |
| ·支持向量机 | 第17-23页 |
| ·线性可分类的支持向量机 | 第17-19页 |
| ·非线性可分类的支持向量机 | 第19-21页 |
| ·支持向量机求解方法 | 第21-23页 |
| ·不平衡支持向量机 | 第23-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 非凸在线支持向量机 | 第27-41页 |
| ·非凸在线支持向量机模型 | 第27-31页 |
| ·非凸在线支持向量机求解 | 第31-36页 |
| ·求解模块 | 第31-33页 |
| ·在线迭代 | 第33-36页 |
| ·不平衡非凸在线支持向量机 | 第36-37页 |
| ·实验及结果分析 | 第37-39页 |
| ·本章小结 | 第39-41页 |
| 第4章 非凸在线支持向量机在文本分类中的应用 | 第41-57页 |
| ·文本分类 | 第41-49页 |
| ·文本表示 | 第41-44页 |
| ·词频相关频率积 | 第44-48页 |
| ·文本分类算法 | 第48-49页 |
| ·基于非凸在线支持向量机的文本分类 | 第49-55页 |
| ·基于非凸在线支持向量机和词频相关频率积的文本分类 | 第49-50页 |
| ·数据集 | 第50-51页 |
| ·Biased-LASVM-NC 与四种赋权方法的结合对比实验 | 第51-52页 |
| ·在 Reuters、噪化 Reuters 及大规模 RCV1 数据集上的实验 | 第52-55页 |
| ·本章小结 | 第55-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间所发表的学术论文 | 第63-65页 |
| 致谢 | 第65页 |
