| 摘要 | 第1-6页 |
| ABSTRACT | 第6-12页 |
| 表格索引 | 第12-13页 |
| 插图索引 | 第13-15页 |
| 主要符号对照表 | 第15-16页 |
| 第一章 绪论 | 第16-22页 |
| ·研究的背景、目的及意义 | 第16-17页 |
| ·模式识别概述 | 第17-18页 |
| ·并行机器学习 | 第18-20页 |
| ·论文安排 | 第20-22页 |
| 第二章 专利文本分类 | 第22-38页 |
| ·引言 | 第22-23页 |
| ·问题定义 | 第23-24页 |
| ·文本分类系统 | 第24页 |
| ·预处理 | 第24-29页 |
| ·文本清理 | 第25页 |
| ·降维 | 第25-28页 |
| ·索引 | 第28-29页 |
| ·分类器模型 | 第29-34页 |
| ·朴素贝叶斯 | 第29-31页 |
| ·K近邻 | 第31页 |
| ·Boosting | 第31-32页 |
| ·支持向量机 | 第32-34页 |
| ·性能评价标准 | 第34-37页 |
| ·本章小结 | 第37-38页 |
| 第三章 最小最大模块化网络 | 第38-56页 |
| ·最小最大模块化网络简介 | 第38页 |
| ·最小最大模块化网络整体结构 | 第38-41页 |
| ·任务分解策略 | 第41-51页 |
| ·随机划分 | 第43页 |
| ·超平面划分 | 第43-45页 |
| ·聚类划分 | 第45-46页 |
| ·判别分析划分 | 第46页 |
| ·先验知识划分 | 第46-48页 |
| ·子模块规模 | 第48-51页 |
| ·子分类器并行学习 | 第51页 |
| ·子分类器集成 | 第51-53页 |
| ·最小最大模块化网络时间复杂度分析 | 第53-54页 |
| ·本章小结 | 第54-56页 |
| 第四章 基于辅助分类器的自适应分类器集成策略 | 第56-72页 |
| ·引言 | 第56页 |
| ·分类器选择算法 | 第56-61页 |
| ·非对称分类器选择 | 第56-58页 |
| ·对称分类器选择 | 第58-60页 |
| ·决策树分类器选择 | 第60-61页 |
| ·基于辅助分类器的集成策略 | 第61-64页 |
| ·元学习概述 | 第61-62页 |
| ·基于辅助分类器的集成策略框架 | 第62-64页 |
| ·实验结果与分析 | 第64-70页 |
| ·双螺旋问题 | 第65-69页 |
| ·多类专利分类问题 | 第69-70页 |
| ·本章小结 | 第70-72页 |
| 第五章 辅助分类器策略在大规模专利分类问题上的应用 | 第72-88页 |
| ·引言 | 第72-75页 |
| ·专利文本分类背景 | 第72-75页 |
| ·平衡专利分类实验 | 第75-77页 |
| ·实验准备 | 第75-76页 |
| ·实验结果 | 第76-77页 |
| ·实验分析 | 第77页 |
| ·不平衡专利分类实验 | 第77-80页 |
| ·实验准备 | 第79-80页 |
| ·实验结果 | 第80页 |
| ·实验分析 | 第80页 |
| ·不平衡度相关性实验 | 第80-84页 |
| ·实验准备 | 第80-83页 |
| ·实验结果 | 第83-84页 |
| ·实验分析 | 第84页 |
| ·时间复杂度研究 | 第84-87页 |
| ·子分类器数量与训练时间关系的研究 | 第84-85页 |
| ·辅助分类器训练集规模与分类效果的研究 | 第85-87页 |
| ·本章小结 | 第87-88页 |
| 全文总结 | 第88-90页 |
| ·本文的贡献 | 第88-89页 |
| ·进一步的研究工作 | 第89-90页 |
| 参考文献 | 第90-95页 |
| 致谢 | 第95-96页 |
| 攻读学位论文期间发表的学术论文目录 | 第96页 |