| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 前言 | 第10-17页 |
| 1.1 课题背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 RBF神经网络研究现状 | 第11-13页 |
| 1.2.2 多示例多标签研究现状 | 第13-15页 |
| 1.3 论文研究内容 | 第15-16页 |
| 1.4 论文组织结构 | 第16-17页 |
| 第二章 网页分类技术简介 | 第17-25页 |
| 2.1 网页分类相关技术 | 第17-20页 |
| 2.1.1 网页预处理 | 第17-19页 |
| 2.1.2 常用网页分类算法 | 第19-20页 |
| 2.2 多示例多标签学习 | 第20-22页 |
| 2.3 RBF神经网络 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 不平衡样本集下的MIMLRBF神经网络改进算法 | 第25-42页 |
| 3.1 MIMLRBF神经网络结构 | 第25-26页 |
| 3.2 豪斯道夫距离 | 第26-27页 |
| 3.3 K-MEDIODS聚类算法简介 | 第27页 |
| 3.4 两种对比算法简介 | 第27-30页 |
| 3.4.1 MIMLBOOST算法 | 第27-29页 |
| 3.4.2 MIMLSVM算法 | 第29-30页 |
| 3.5 经典MIMLRBF神经网络训练算法 | 第30-32页 |
| 3.6 不平衡样本集下的MIMLRBF神经网络改进算法 | 第32-36页 |
| 3.6.1 欠采样过程 | 第33-34页 |
| 3.6.2 过采样过程 | 第34-36页 |
| 3.7 实验与讨论 | 第36-41页 |
| 3.7.1 实验设计 | 第36-37页 |
| 3.7.2 实验结果 | 第37-41页 |
| 3.8 本章小结 | 第41-42页 |
| 第四章 基于不平衡数据集下的MIMLRBF聚类改进算法 | 第42-52页 |
| 4.1 几种常见的RBF神经网络中心确定方法 | 第42-44页 |
| 4.1.1 随机选取固定中心法 | 第42页 |
| 4.1.2 自组织学习选取RBF中心法 | 第42-43页 |
| 4.1.3 基于监督学习中心选取法 | 第43-44页 |
| 4.2 基于不平衡样本的MIMLRBF聚类改进算法 | 第44-47页 |
| 4.3 实验与讨论 | 第47-51页 |
| 4.3.1 实验设计 | 第47页 |
| 4.3.2 实验结果 | 第47-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 网页分类系统设计与实现 | 第52-65页 |
| 5.0 实验环境设计 | 第52页 |
| 5.1 实验系统结构设计 | 第52-59页 |
| 5.1.1 网页预处理模块 | 第53-57页 |
| 5.1.2 分类器训练模块 | 第57-58页 |
| 5.1.3 分类器分类模块 | 第58-59页 |
| 5.2 分类器运行结果及分析 | 第59-64页 |
| 5.2.1 运行操作 | 第59-63页 |
| 5.2.2 运行结果分析 | 第63-64页 |
| 5.3 本章小结 | 第64-65页 |
| 总结与展望 | 第65-68页 |
| 主要工作 | 第65-66页 |
| 主要创新点 | 第66页 |
| 存在的问题及未来的方向 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 攻读硕士学位期间取得的学术成果 | 第73-74页 |
| 致谢 | 第74页 |
