| 摘要 | 第1-9页 |
| Abstract | 第9-11页 |
| 第1章 绪论 | 第11-14页 |
| ·研究背景 | 第11页 |
| ·研究现状 | 第11-12页 |
| ·支持向量机及其应用 | 第12-13页 |
| ·本文的内容及主要工作 | 第13-14页 |
| 第2章 信息过滤及其关键技术 | 第14-24页 |
| ·信息过滤一般模型 | 第14页 |
| ·信息过滤的分类 | 第14-16页 |
| ·关键技术 | 第16-23页 |
| ·分词 | 第16-17页 |
| ·特征选择 | 第17-19页 |
| ·文本表示 | 第19-20页 |
| ·分类算法 | 第20-22页 |
| ·数据包的截获 | 第22-23页 |
| ·信息过滤存在的问题 | 第23页 |
| ·小结 | 第23-24页 |
| 第3章 支持向量机基本理论 | 第24-32页 |
| ·支持向量机 | 第24-28页 |
| ·线性可分问题的线性分划 | 第24-26页 |
| ·近似线性可分问题的线性分划 | 第26-27页 |
| ·非线性分划 | 第27-28页 |
| ·支持向量机的训练算法 | 第28-30页 |
| ·选块算法 | 第28-29页 |
| ·分解算法 | 第29页 |
| ·序贯最小优化算法 | 第29-30页 |
| ·支持向量机的多分类方法 | 第30-31页 |
| ·一类对余类 | 第30页 |
| ·成对分类 | 第30-31页 |
| ·小结 | 第31-32页 |
| 第4章 基于SVM 的网络信息过滤研究 | 第32-42页 |
| ·SVM 中的模型选择 | 第32-35页 |
| ·模型选择 | 第32-34页 |
| ·实验分析 | 第34-35页 |
| ·基于SVM 的网络信息过滤模型 | 第35-37页 |
| ·基于SVM 的信息过滤反馈增量学习研究 | 第37-41页 |
| ·基于SVM 的反馈学习机制 | 第37-38页 |
| ·基于SVM 的增量学习算法 | 第38-39页 |
| ·基于SVM 的反馈增量学习算法 | 第39-40页 |
| ·实验分析 | 第40-41页 |
| ·小结 | 第41-42页 |
| 第5章 基于SVM 的网络信息过滤系统的设计与实现 | 第42-53页 |
| ·系统总体设计 | 第42-44页 |
| ·设计目标 | 第42页 |
| ·设计思想 | 第42-43页 |
| ·系统逻辑结构 | 第43-44页 |
| ·系统模块设计与实现 | 第44-51页 |
| ·数据包截获及协议分析模块 | 第44-46页 |
| ·SVM 训练模块 | 第46-48页 |
| ·系统过滤模块 | 第48-50页 |
| ·反馈学习模块 | 第50-51页 |
| ·系统主要界面 | 第51-52页 |
| ·小结 | 第52-53页 |
| 第6章 结束语 | 第53-55页 |
| ·本文所做的主要工作 | 第53页 |
| ·进一步的工作 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 攻读硕士学位期间的主要成果 | 第58-59页 |
| 致谢 | 第59页 |