| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外的研究现状 | 第11-12页 |
| 1.3 本文的研究内容及章节安排 | 第12-14页 |
| 1.3.1 本文研究内容 | 第12页 |
| 1.3.2 本文章节安排 | 第12-14页 |
| 2 支持向量机理论 | 第14-27页 |
| 2.1 支持向量机的基本理论 | 第14-17页 |
| 2.1.1 经验风险最小化 | 第14-15页 |
| 2.1.2 VC维及推广性界理论 | 第15-16页 |
| 2.1.3 结构风险最小化 | 第16-17页 |
| 2.2 支持向量机原理 | 第17-22页 |
| 2.2.1 最优分类面 | 第17-20页 |
| 2.2.2 广义最优分类面 | 第20页 |
| 2.2.3 线性支持向量机 | 第20-21页 |
| 2.2.4 非线性支持向量机 | 第21-22页 |
| 2.3 支持向量机模型的建立 | 第22-24页 |
| 2.3.1 训练集的选择 | 第22页 |
| 2.3.2 训练特征的选择 | 第22-23页 |
| 2.3.3 核函数的选择 | 第23页 |
| 2.3.4 模型参数的选择 | 第23-24页 |
| 2.4 增量学习SVM算法 | 第24-26页 |
| 2.4.1 增量学习基本思想 | 第24-25页 |
| 2.4.2 KKT条件和支持向量 | 第25页 |
| 2.4.3 增量学习中向量集的变化 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 边界支持向量增量学习SVM算法的研究 | 第27-36页 |
| 3.1 增量学习SVM算法分析 | 第27-29页 |
| 3.1.1 经典增量学习SVM算法—Batch SVM | 第27页 |
| 3.1.2 几种改进型的增量学习SVM算法 | 第27-29页 |
| 3.2 边界支持向量的分析 | 第29-31页 |
| 3.2.1 边界支持向量基本概念 | 第29页 |
| 3.2.2 线性可分边界支持向量的提取 | 第29-30页 |
| 3.2.3 线性不可分边界支持向量的提取 | 第30-31页 |
| 3.3 边界支持向量增量学习SVM算法 | 第31-32页 |
| 3.4 实验结果及分析 | 第32-35页 |
| 3.5 本章小结 | 第35-36页 |
| 4 SVM多分类增量算法的研究 | 第36-41页 |
| 4.1 多分类SVM及特点分析 | 第36-37页 |
| 4.2 SVM多分类增量算法分析 | 第37-39页 |
| 4.2.1 超球间重叠分析 | 第38页 |
| 4.2.2 增量算法分析 | 第38-39页 |
| 4.3 新的超球结构增量学习算法 | 第39页 |
| 4.4 实验结果 | 第39-40页 |
| 4.5 本章小结 | 第40-41页 |
| 5 基于增量学习SVM文本分类系统的设计与实现 | 第41-50页 |
| 5.1 基于SVM的文本分类算法分析 | 第41-42页 |
| 5.1.1 文本分类介绍 | 第41页 |
| 5.1.2 基于SVM的文本分类算法 | 第41-42页 |
| 5.2 总体设计 | 第42-44页 |
| 5.3 系统的设计与实现 | 第44-49页 |
| 5.3.1 网页爬取设计 | 第44-45页 |
| 5.3.2 文本预处理 | 第45-47页 |
| 5.3.3 建立文档表示模型 | 第47页 |
| 5.3.4 文本分类 | 第47-48页 |
| 5.3.5 数据挖掘结果 | 第48-49页 |
| 5.4 本章小结 | 第49-50页 |
| 6 总结与展望 | 第50-52页 |
| 6.1 论文总结 | 第50页 |
| 6.2 研究展望 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 致谢 | 第55-56页 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 | 第56-57页 |