| 摘要 | 第1-8页 |
| ABSTRACT | 第8-18页 |
| 符号说明 | 第18-20页 |
| 第一章 绪论 | 第20-33页 |
| ·引言 | 第20-21页 |
| ·机器学习理论 | 第21-22页 |
| ·无监督学习 | 第21-22页 |
| ·有监督学习 | 第22页 |
| ·半监督学习 | 第22页 |
| ·增强学习 | 第22页 |
| ·支持向量机与聚类分析 | 第22-25页 |
| ·支持向量机与文本分类 | 第25-28页 |
| ·本论文的主要工作 | 第28-30页 |
| ·本论文的组织结构 | 第30-33页 |
| 第二章 支持向量机技术基础 | 第33-59页 |
| ·引言 | 第33页 |
| ·统计学习理论 | 第33-35页 |
| ·支持向量机技术 | 第35-48页 |
| ·支持向量分类机 | 第35-39页 |
| ·L2-支持向量机 | 第39-40页 |
| ·多类问题的决策方法 | 第40-42页 |
| ·支持向量回归机模型 | 第42-43页 |
| ·支持向量机研究现状 | 第43-48页 |
| ·支持向量聚类 | 第48-58页 |
| ·支持向量聚类模型 | 第48-50页 |
| ·影响支持向量聚类的关键因素 | 第50-58页 |
| ·本章小结 | 第58-59页 |
| 第三章 双质心支持向量聚类 | 第59-79页 |
| ·引言 | 第59-61页 |
| ·噪声数据点消除策略(NE) | 第61-63页 |
| ·噪声数据分布结构分析 | 第61-62页 |
| ·噪声数据消除算法 | 第62-63页 |
| ·双质心簇标定策略(DBC) | 第63-68页 |
| ·簇的分解策略 | 第63-65页 |
| ·单组件双质心的构造 | 第65-67页 |
| ·成员关系的判定规则 | 第67-68页 |
| ·算法描述 | 第68页 |
| ·DBC时间性能分析 | 第68-70页 |
| ·聚类实验分析 | 第70-77页 |
| ·数据集 | 第70页 |
| ·实验对比算法 | 第70页 |
| ·噪声数据消除实验 | 第70-71页 |
| ·DBC聚类效果测试 | 第71-74页 |
| ·DBC整体性能测试 | 第74-77页 |
| ·DBC模型的半监督应用测试 | 第77页 |
| ·本章小结 | 第77-79页 |
| 第四章 基于凸分解的簇标定算法 | 第79-100页 |
| ·引言 | 第79-80页 |
| ·基于凸分解的簇标定算法 | 第80-91页 |
| ·簇在特征空间中的凸性质 | 第80-81页 |
| ·支持超凸多面体的凸分解 | 第81-87页 |
| ·凸包的标定算法 | 第87-91页 |
| ·标定非凸包样本 | 第91页 |
| ·CDCL算法时间性能分析 | 第91-92页 |
| ·聚类实验分析 | 第92-99页 |
| ·数据集 | 第93页 |
| ·实验对比算法 | 第93页 |
| ·CDCL算法适应能力分析 | 第93-95页 |
| ·CDCL算法整体性能测试 | 第95-99页 |
| ·本章小结 | 第99-100页 |
| 第五章 快速支持向量聚类算法 | 第100-121页 |
| ·引言 | 第100-101页 |
| ·快速支持向量聚类算法(FASVC) | 第101-109页 |
| ·选择簇边界样本 | 第101-102页 |
| ·构造超球面 | 第102-106页 |
| ·自适应的簇标定策略 | 第106-107页 |
| ·FASVC算法的实现 | 第107-109页 |
| ·FASVC时间性能及特点分析 | 第109-110页 |
| ·FASVC时间性能分析 | 第109页 |
| ·FASVC算法特点 | 第109-110页 |
| ·聚类实验分析 | 第110-120页 |
| ·数据集 | 第111页 |
| ·实验对比算法 | 第111页 |
| ·FASVC参数敏感性测试 | 第111-112页 |
| ·FASVC算法整体性能测试 | 第112-118页 |
| ·利用FASVC进行文本聚类 | 第118-119页 |
| ·利用FASVC识别P2P流量 | 第119-120页 |
| ·本章小结 | 第120-121页 |
| 第六章 基于支持向量机的多模式文本分类研究 | 第121-150页 |
| ·引言 | 第121-122页 |
| ·文本表示的关键问题与启示 | 第122-127页 |
| ·场景一：特征的文档频率之外的信息 | 第123-124页 |
| ·场景二：最大值保留的特征权重与特征的多类别分布信息 | 第124-125页 |
| ·场景三：文本的结构信息 | 第125-127页 |
| ·基于支持向量机的多模式文本分类方案 | 第127-132页 |
| ·自适应的文本块划分算法 | 第127页 |
| ·兼顾类别贡献度和类间区分度的特征权重方案 | 第127-129页 |
| ·融合多类别倾向的特征类间区分能力强化方案 | 第129-130页 |
| ·基于文本块重要性分布加权的特征频率方案 | 第130-132页 |
| ·分类实验分析 | 第132-148页 |
| ·数据集 | 第132页 |
| ·实验对比方案 | 第132-135页 |
| ·评价指标 | 第135-136页 |
| ·CCE方案实验结果与分析 | 第136-139页 |
| ·C2TCTVT算法框架实验结果与分析 | 第139-145页 |
| ·NWET与N2WET组合方案实验结果与分析 | 第145-148页 |
| ·本章小结 | 第148-150页 |
| 第七章 工作总结与展望 | 第150-154页 |
| ·本论文研究工作总结 | 第150-152页 |
| ·研究工作展望 | 第152-154页 |
| 参考文献 | 第154-176页 |
| 致谢 | 第176-178页 |
| 攻读学位期间学术成果目录 | 第178-179页 |