| 提要 | 第5-6页 |
| 摘要 | 第6-9页 |
| Abstract | 第9-12页 |
| 第1章 绪论 | 第17-29页 |
| 1.1 研究背景及意义 | 第17-19页 |
| 1.1.1 研究背景 | 第17-18页 |
| 1.1.2 研究意义 | 第18-19页 |
| 1.2 国内外研究现状 | 第19-26页 |
| 1.3 本文的主要工作 | 第26-27页 |
| 1.4 本文的组织结构 | 第27-29页 |
| 第2章 信息融合技术概述 | 第29-49页 |
| 2.1 信息融合的基本含义 | 第29-30页 |
| 2.1.1 信息融合的概念 | 第29页 |
| 2.1.2 信息融合的含义 | 第29-30页 |
| 2.2 信息融合的信息论基础 | 第30-33页 |
| 2.2.1 信息的基本性质 | 第30页 |
| 2.2.2 信息融合的熵理论 | 第30-33页 |
| 2.3 信息融合的层次结构 | 第33页 |
| 2.4 信息融合的方法 | 第33-49页 |
| 2.4.1 基于贝叶斯估计的信息融合 | 第34-36页 |
| 2.4.2 D-S证据理论与信息融合 | 第36-37页 |
| 2.4.3 基于信息论的融合方法 | 第37-46页 |
| 2.4.4 其他融合方法 | 第46-49页 |
| 第3章 基于模糊多重集理论的对象合并框架 | 第49-67页 |
| 3.1 引言 | 第49-50页 |
| 3.2 相关基础 | 第50-52页 |
| 3.3 对象及对象合并 | 第52-53页 |
| 3.3.1 总体框架描述 | 第52页 |
| 3.3.2 模糊多重集的合并 | 第52-53页 |
| 3.4 合并函数的优化 | 第53-57页 |
| 3.4.1 评价函数 | 第53-55页 |
| 3.4.2 最优化评价函数 | 第55-57页 |
| 3.5 文档融合应用举例 | 第57-65页 |
| 3.5.1 应用背景 | 第58页 |
| 3.5.2 应用举例 | 第58-65页 |
| 3.6 本章小结 | 第65-67页 |
| 第4章 基于连续型Hopfield神经网络的语句排序融合 | 第67-85页 |
| 4.1 引言 | 第67-68页 |
| 4.2 相关基础 | 第68-72页 |
| 4.2.1 基于时序的句子排序 | 第69页 |
| 4.2.2 基于主成分的句子排序 | 第69-71页 |
| 4.2.3 连续型Hopfield神经网络 | 第71-72页 |
| 4.3 连续型Hopfield神经网络排序融合模型 | 第72-75页 |
| 4.3.1 预处理 | 第73-74页 |
| 4.3.2 排序融合模型 | 第74-75页 |
| 4.4 实验分析 | 第75-83页 |
| 4.4.1 评价标准 | 第75-77页 |
| 4.4.2 实验设置 | 第77-79页 |
| 4.4.3 实验结果及讨论 | 第79-83页 |
| 4.5 本章小结 | 第83-85页 |
| 第5章 领域知识驱动的主题文本聚类 | 第85-101页 |
| 5.1 引言 | 第85-86页 |
| 5.2 相关基础 | 第86-87页 |
| 5.3 领域知识驱动的文档聚类 | 第87-91页 |
| 5.3.1 基于领域本体的特征选择 | 第87-88页 |
| 5.3.2 基于模糊等价关系的聚类 | 第88-90页 |
| 5.3.3 最佳聚类选择策略 | 第90-91页 |
| 5.4 实验分析 | 第91-100页 |
| 5.4.1 评价标准 | 第91-92页 |
| 5.4.2 实验设置 | 第92-94页 |
| 5.4.3 实验结果及讨论 | 第94-100页 |
| 5.5 本章小结 | 第100-101页 |
| 第6章 总结与展望 | 第101-105页 |
| 6.1 本文工作总结 | 第101-103页 |
| 6.2 未来工作展望 | 第103-105页 |
| 参考文献 | 第105-123页 |
| 作者简介及在学期间科研成果 | 第123-125页 |
| 致谢 | 第125-126页 |