| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文的主要工作 | 第11页 |
| 1.4 本文的结构安排 | 第11-13页 |
| 2 文本分类技术概述 | 第13-24页 |
| 2.1 引言 | 第13页 |
| 2.2 文本分类技术概述 | 第13-14页 |
| 2.3 中文分词算法 | 第14-17页 |
| 2.3.1 中文分词方法发展概述 | 第14-15页 |
| 2.3.2 逐词遍历法 | 第15-16页 |
| 2.3.3 基于词典、词库匹配的分词方法 | 第16页 |
| 2.3.4 全切分和词频统计分词法 | 第16-17页 |
| 2.3.5 基于知识理解的分词方法 | 第17页 |
| 2.4 文本特征提取 | 第17-20页 |
| 2.4.1 开方检验法 | 第18页 |
| 2.4.2 信息增益法 | 第18-19页 |
| 2.4.3 词频/逆文本频率指数法 | 第19-20页 |
| 2.5 文本分类算法介绍 | 第20-24页 |
| 2.5.1 基于朴素贝叶斯的文本分类算法 | 第20-21页 |
| 2.5.2 向量空间距离测度分类算法 | 第21页 |
| 2.5.3 K最近邻文本分类算法 | 第21-22页 |
| 2.5.4 基于人工神经网络的文本分类算法 | 第22-24页 |
| 3 基于支持向量机的多分类技术 | 第24-39页 |
| 3.1 引言 | 第24页 |
| 3.2 逻辑回归理论概述 | 第24-25页 |
| 3.3 几何间隔与函数间隔理论概述 | 第25-26页 |
| 3.4 最优函数间隔理论概述 | 第26-30页 |
| 3.5 线性不可分误差修正 | 第30-35页 |
| 3.5.1 补偿因子法 | 第30-32页 |
| 3.5.2 核函数技术 | 第32-35页 |
| 3.6 基于支持向量机的多分类算法 | 第35-39页 |
| 3.6.1 问题的提出 | 第35-36页 |
| 3.6.2 基于一对一组合模式的支持向量机多分类器 | 第36页 |
| 3.6.3 基于一对多组合模式的支持向量机多分类器 | 第36-37页 |
| 3.6.4 基于决策树的SVM多分类器 | 第37-39页 |
| 4 基于累计适应度遗传算法的多分类算法 | 第39-48页 |
| 4.1 引言 | 第39页 |
| 4.2 遗传算法及其相关概念 | 第39-40页 |
| 4.3 基于遗传算法的支持向量机多分类算法 | 第40-42页 |
| 4.4 CFGA-SVM算法 | 第42-48页 |
| 4.4.1 CFGA-SVM算法相关定义 | 第42-44页 |
| 4.4.2 CFGA-SVM算法流程 | 第44-48页 |
| 5 一种基于累计适应度遗传算法的支持向量机快速文本多分类算法 | 第48-54页 |
| 5.1 引言 | 第48页 |
| 5.2 CFGA-SVM算法核函数参数优化 | 第48-50页 |
| 5.3 BCFGA-SVM算法步骤及描述 | 第50-54页 |
| 6 数值实验与结果分析 | 第54-60页 |
| 6.1 实验数据集 | 第54页 |
| 6.2 数据预处理 | 第54页 |
| 6.3 实验设计 | 第54-59页 |
| 6.3.1 分类精度对比实验 | 第55-56页 |
| 6.3.2 时间效率对比实验 | 第56-57页 |
| 6.3.3 平均适应度对比实验 | 第57-59页 |
| 6.4 实验结果分析 | 第59-60页 |
| 7 总结与展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-65页 |
| 附录 | 第65页 |
| A. 作者在攻读学位期间发表的论文目录: | 第65页 |
| B. 作者在攻读学位期间参加的科研项目: | 第65页 |
