| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 目录 | 第9-13页 |
| 插图索引 | 第13-14页 |
| 表格索引 | 第14-15页 |
| 主要符号对照表 | 第15-16页 |
| 第一章 绪论 | 第16-19页 |
| 1.1 聚类学习概述 | 第16-17页 |
| 1.2 高斯零交叉最小最大模块化网络 | 第17-18页 |
| 1.3 论文安排 | 第18-19页 |
| 第二章 文本分类 | 第19-32页 |
| 2.1 文本分类概述 | 第19页 |
| 2.2 特征提取 | 第19-22页 |
| 2.2.1 预处理 | 第19-20页 |
| 2.2.2 索引 | 第20-22页 |
| 2.3 降维 | 第22-25页 |
| 2.3.1 特征选择 | 第22-23页 |
| 2.3.2 特征抽取 | 第23-25页 |
| 2.4 分类器 | 第25-28页 |
| 2.4.1 Rocchio算法 | 第26页 |
| 2.4.2 K最近邻法 | 第26页 |
| 2.4.3 朴素贝叶斯 | 第26-27页 |
| 2.4.4 支持向量机 | 第27-28页 |
| 2.5 性能评价指标 | 第28-31页 |
| 2.5.1 单类别评测指标 | 第29-30页 |
| 2.5.2 多类别评测指标 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 高斯零交叉函数最小最大模块化网络 | 第32-40页 |
| 3.1 最小最大模块化网络 | 第32-35页 |
| 3.1.1 任务分解 | 第32-34页 |
| 3.1.2 结果合并 | 第34-35页 |
| 3.2 高斯零交叉函数最小最大模块化网络 | 第35-36页 |
| 3.3 高斯零交叉函数最小最大模块化网络的特点 | 第36-39页 |
| 3.3.1 增量学习能力 | 第36-37页 |
| 3.3.2 学习的收敛性 | 第37页 |
| 3.3.3 输出“不知道”能力 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于高斯零交叉函数最小最大模块化网络的监督聚类 | 第40-59页 |
| 4.1 聚类分析 | 第40-52页 |
| 4.1.1 文档聚类分析概述 | 第40-41页 |
| 4.1.2 文档聚类算法 | 第41-51页 |
| 4.1.3 监督聚类概述 | 第51-52页 |
| 4.2 M~3 - GZC网络的监督聚类 | 第52-57页 |
| 4.2.1 M~3 - GZC网络的接受域 | 第53页 |
| 4.2.2 基于M~3 - GZC网络的监督聚类算法 | 第53-54页 |
| 4.2.3 聚类后处理 | 第54-56页 |
| 4.2.4 复杂性分析 | 第56-57页 |
| 4.3 本章小结 | 第57-59页 |
| 第五章 专利分类实验分析 | 第59-71页 |
| 5.1 引言 | 第59-60页 |
| 5.1.1 研究背景 | 第59页 |
| 5.1.2 NTCIR-5专利数据 | 第59-60页 |
| 5.2 实验准备 | 第60-62页 |
| 5.2.1 数据集说明和环境描述 | 第60-61页 |
| 5.2.2 特征提取 | 第61-62页 |
| 5.2.3 分类器 | 第62页 |
| 5.3 Group层两类问题的实验 | 第62-64页 |
| 5.3.1 数据集 | 第62页 |
| 5.3.2 实验方法 | 第62页 |
| 5.3.3 实验结果 | 第62-64页 |
| 5.4 Section层B类和E类问题的实验 | 第64-66页 |
| 5.4.1 数据集 | 第64-65页 |
| 5.4.2 实验方法 | 第65页 |
| 5.4.3 实验结果 | 第65-66页 |
| 5.5 Section层G类和H类问题的实验 | 第66-68页 |
| 5.5.1 数据集 | 第66页 |
| 5.5.2 实验方法 | 第66-67页 |
| 5.5.3 实验结果 | 第67-68页 |
| 5.6 M~3 - GZC网络增量学习实验 | 第68-69页 |
| 5.6.1 数据集 | 第68页 |
| 5.6.2 实验方法 | 第68-69页 |
| 5.6.3 实验结果 | 第69页 |
| 5.7 本章小结 | 第69-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 本论文的贡献 | 第71页 |
| 6.2 进一步的研究工作 | 第71-73页 |
| 参考文献 | 第73-79页 |
| 简历 | 第79-80页 |
| 致谢 | 第80-82页 |