首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--文字信息处理论文

大规模层次分类中深层类别的分类算法研究

摘要第4-5页
Abstract第5-6页
1 引言第9-14页
    1.1 研究背景及意义第9-10页
        1.1.1 研究背景第9-10页
        1.1.2 研究意义第10页
    1.2 国内外研究现状第10-12页
    1.3 论文的主要研究工作及创新点第12-13页
    1.4 论文主要结构第13-14页
2 层次文本分类技术第14-29页
    2.1 文本分类介绍第14-20页
        2.1.1 文本分类的定义第14-15页
        2.1.2 文本分类的流程第15-16页
        2.1.3 文本预处理第16-17页
        2.1.4 文本表示模型第17-19页
        2.1.5 特征选择第19-20页
    2.2 文本分类算法第20-23页
        2.2.1 KNN算法第20-21页
        2.2.2 SVM算法第21-22页
        2.2.3 其他分类算法第22-23页
    2.3 层次分类概述第23-27页
        2.3.1 层次分类的定义第23-25页
        2.3.2 层次分类的方法和原理第25-26页
        2.3.3 层次分类的评价标准第26-27页
    2.4 小结第27-29页
3 深层次分类中候选类别搜索算法第29-37页
    3.1 相关工作第29-30页
    3.2 类别层次权重分析和特征项的动态更新第30-34页
        3.2.1 类别层次权重的计算第30-31页
        3.2.2 特征项的动态更新第31-32页
        3.2.3 特征项的类别区分能力第32-34页
    3.3 候选类别搜索算法第34-36页
        3.3.1 候选类别搜索中阈值的确定第34-35页
        3.3.2 候选搜索算法描述第35-36页
    3.4 小结第36-37页
4 基于中心向量的多级分类KNN算法第37-43页
    4.1 KNN分类算法和基于密度的训练集调整方法第37-39页
        4.1.1 KNN算法的原理第37页
        4.1.2 基于密度的KNN训练集调整方法第37-39页
    4.2 改进类中心向量算法第39-40页
    4.3 多级分类器改进算法第40-42页
        4.3.1 改进算法思想描述第40-41页
        4.3.2 改进算法描述第41-42页
    4.4 小结第42-43页
5 实验分析第43-50页
    5.1 深层次分类中候选类别搜索算法实验第43-46页
        5.1.1 特征项的有效性验证第43-44页
        5.1.2 候选类别搜索算法及分类准确率验证第44-46页
    5.2 基于中心向量的多级分类KNN算法实验第46-49页
        5.2.1 训练集调整前后裁减比例及分类性能比较第46-47页
        5.2.2 时间复杂度分析第47-48页
        5.2.3 对比实验分析第48-49页
    5.3 小结第49-50页
结论第50-52页
致谢第52-53页
参考文献第53-56页
攻读学位期间的研究成果第56页

论文共56页,点击 下载论文
上一篇:基于BP神经网络的肿瘤数据分类方法研究
下一篇:基于交通轨迹数据的城市区域划分可视化研究