| 摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| 1 绪论 | 第12-26页 |
| ·研究的背景和意义 | 第12-13页 |
| ·自动文本分类技术 | 第13-19页 |
| ·文本预处理 | 第14-15页 |
| ·文本表示 | 第15-16页 |
| ·文本特征提取 | 第16-17页 |
| ·常用的文本分类算法 | 第17-18页 |
| ·文本分类性能评估 | 第18-19页 |
| ·支持向量机在文本分类中的应用 | 第19-24页 |
| ·支持向量机的特点和优势 | 第19-20页 |
| ·支持向量机在文本分类中的应用研究现状 | 第20-22页 |
| ·支持向量机在文本分类应用中存在的主要问题 | 第22-24页 |
| ·论文研究内容和全文组织结构 | 第24-26页 |
| ·论文研究内容 | 第24页 |
| ·论文组织结构 | 第24-26页 |
| 2 支持向量机 | 第26-47页 |
| ·统计学习理论 | 第26-29页 |
| ·经验风险最小化 | 第26-27页 |
| ·模型复杂度和推广能力 | 第27-28页 |
| ·VC维 | 第28页 |
| ·结构风险最小化原理 | 第28-29页 |
| ·支持向量机基本原理 | 第29-30页 |
| ·支持向量机数学模型 | 第30-35页 |
| ·线性可分支持向量机 | 第30-31页 |
| ·线性不可分支持向量机 | 第31-32页 |
| ·非线性可分支持向量机 | 第32-34页 |
| ·支持向量机 | 第34-35页 |
| ·常用支持向量机训练算法 | 第35-37页 |
| ·chunking方法 | 第36页 |
| ·分解算法 | 第36页 |
| ·序列最小优化算法 | 第36-37页 |
| ·各种变形支持向量机算法 | 第37-40页 |
| ·C-SVM算法及其变形算法 | 第37-38页 |
| ·ν-SVM算法及其变形算法 | 第38-39页 |
| ·One-class SVM算法 | 第39页 |
| ·WSVM算法 | 第39-40页 |
| ·LS-SVM算法 | 第40页 |
| ·支持向量机多类分类算法 | 第40-42页 |
| ·1-a-r方法 | 第40-41页 |
| ·1-a-1方法 | 第41-42页 |
| ·DAGSVM方法 | 第42页 |
| ·支持向量机增量学习算法 | 第42-46页 |
| ·单支持向量机样本增量学习算法 | 第42-45页 |
| ·多支持向量机样本增量学习算法 | 第45页 |
| ·支持向量机类增量学习算法 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 3 模糊支持向量机快速训练算法研究 | 第47-65页 |
| ·引言 | 第47-49页 |
| ·模糊支持向量机 | 第49-50页 |
| ·利用SMO算法训练模糊支持向量机 | 第50-63页 |
| ·停机准则 | 第50-52页 |
| ·分解算法 | 第52-53页 |
| ·SMO算法 | 第53-56页 |
| ·利用最大违反对选择工作集的模糊支持向量机快速训练算法 | 第56-57页 |
| ·利用二阶信息选择工作集的模糊支持向量机快速训练算法 | 第57-60页 |
| ·实验结果及分析 | 第60-63页 |
| ·本章小结 | 第63-65页 |
| 4 支持向量机快速分类算法研究 | 第65-74页 |
| ·引言 | 第65-66页 |
| ·支持向量集合及其缩减方法 | 第66-68页 |
| ·一种改进的快速分类算法 | 第68-73页 |
| ·算法描述 | 第68-71页 |
| ·算法性能分析 | 第71页 |
| ·实验结果及分析 | 第71-73页 |
| ·本章小结 | 第73-74页 |
| 5 支持向量机兼类分类算法研究 | 第74-89页 |
| ·引言 | 第74-75页 |
| ·基于1-a-1方法的兼类分类算法 | 第75-77页 |
| ·算法思想 | 第75页 |
| ·算法描述 | 第75-76页 |
| ·算法性能分析 | 第76-77页 |
| ·基于1-a-r方法的兼类分类算法 | 第77-79页 |
| ·样本和类加权支持向量机 | 第77-78页 |
| ·算法思想 | 第78页 |
| ·算法描述 | 第78-79页 |
| ·算法性能分析 | 第79页 |
| ·超球支持向量机兼类分类算法 | 第79-83页 |
| ·超球支持向量机 | 第80-81页 |
| ·算法思想 | 第81-82页 |
| ·算法描述 | 第82-83页 |
| ·算法性能分析 | 第83页 |
| ·兼类分类评价指标 | 第83-84页 |
| ·实验结果及分析 | 第84-88页 |
| ·本章小结 | 第88-89页 |
| 6 支持向量机增量学习算法研究 | 第89-107页 |
| ·引言 | 第89-90页 |
| ·加权类增量学习算法 | 第90-95页 |
| ·类加权支持向量机 | 第90-91页 |
| ·算法描述 | 第91-92页 |
| ·算法性能分析 | 第92页 |
| ·实验结果及分析 | 第92-95页 |
| ·超球支持向量机类增量学习算法 | 第95-100页 |
| ·算法描述 | 第95-97页 |
| ·算法性能分析 | 第97页 |
| ·实验结果及分析 | 第97-100页 |
| ·超球支持向量机兼类样本增量学习算法 | 第100-102页 |
| ·算法描述 | 第100页 |
| ·算法性能分析 | 第100-101页 |
| ·实验结果及分析 | 第101-102页 |
| ·超球支持向量机兼类类增量学习算法 | 第102-105页 |
| ·算法描述 | 第103页 |
| ·算法性能分析 | 第103页 |
| ·实验结果及分析 | 第103-105页 |
| ·本章小结 | 第105-107页 |
| 7 总结与展望 | 第107-110页 |
| 参考文献 | 第110-121页 |
| 攻读博士学位期间发表学术论文情况 | 第121-123页 |
| 创新点摘要 | 第123-124页 |
| 致谢 | 第124-125页 |