| 中文摘要 | 第1-7页 |
| 英文摘要 | 第7-10页 |
| 目录 | 第10-18页 |
| 第一章 绪论 | 第18-28页 |
| ·选题的意义 | 第18-19页 |
| ·人工神经网络的发展综述 | 第19-24页 |
| ·人工神经网络的特点 | 第19-20页 |
| ·神经网络研究的历史和现状 | 第20-24页 |
| ·神经网络在信息检索中的应用 | 第24-25页 |
| ·信息检索的历史 | 第24页 |
| ·信息检索的研究现状及存在的问题 | 第24-25页 |
| ·本文的工作 | 第25-28页 |
| 第二章 神经网络作为分类器的算法研究 | 第28-42页 |
| ·神经网络作为分类器的算法研究现状 | 第28-29页 |
| ·基于搜索的学习算法 | 第29-35页 |
| ·BP算法 | 第29-33页 |
| ·模拟退火算法 | 第33-35页 |
| ·基于规划的学习算法——SVM及其学习算法 | 第35-41页 |
| ·统计学习理论和结构风险最小化原则 | 第35-37页 |
| ·支持向量机 | 第37-41页 |
| ·本章小结 | 第41-42页 |
| 第三章 构造性学习方法 | 第42-60页 |
| ·M-P神经元的几何意义 | 第42-44页 |
| ·FP(Forward Propagation)算法 | 第44-46页 |
| ·覆盖算法 | 第46-51页 |
| ·实验结果与分析 | 第51-56页 |
| ·学习顺序的选择 | 第51-52页 |
| ·实验数据与方法 | 第52页 |
| ·实验内容 | 第52-56页 |
| ·覆盖算法的分析与不足 | 第56-59页 |
| ·本章小结 | 第59-60页 |
| 第四章 基于概率的覆盖算法PBCA | 第60-78页 |
| ·概率逻辑神经网络 | 第60-66页 |
| ·概率逻辑神经元 | 第60-61页 |
| ·概率逻辑神经网络 | 第61-62页 |
| ·PLN网络的学习算法 | 第62-63页 |
| ·PLN网络的改进——AZ模型 | 第63-66页 |
| ·基于概率的覆盖算法PBCA | 第66-73页 |
| ·基于概率的覆盖算法PBCA | 第67-71页 |
| ·PBCA的学习算法 | 第71-72页 |
| ·PBCA的测试算法 | 第72-73页 |
| ·实验结果及分析 | 第73-77页 |
| ·实验内容 | 第73-76页 |
| ·实验结果分析 | 第76-77页 |
| ·本章小结 | 第77-78页 |
| 第五章 有限混合模型在覆盖算法中的应用 | 第78-96页 |
| ·有限混合模型的定义及说明 | 第78-82页 |
| ·有限混合模型的定义 | 第79-81页 |
| ·混合模型的可辨识性 | 第81-82页 |
| ·混合模型的极大似然拟合 | 第82-88页 |
| ·极大似然估计 | 第82-84页 |
| ·应用期望最大化算法于混合模型 | 第84-88页 |
| ·EM算法的基本原理 | 第84-86页 |
| ·EM算法的步骤 | 第86-88页 |
| ·应用期望最大化算法于覆盖算法 | 第88-92页 |
| ·实验数据及分析 | 第92-95页 |
| ·本章小结 | 第95-96页 |
| 第六章 覆盖算法在信息检索中的应用 | 第96-110页 |
| ·文本分类的一般模型 | 第96-97页 |
| ·文本的预处理 | 第97-100页 |
| ·文本的表示 | 第97-99页 |
| ·特征项的抽取 | 第99-100页 |
| ·实验语料和检索结果的评价方法 | 第100-102页 |
| ·实验语料 | 第100-101页 |
| ·性能评价方法 | 第101-102页 |
| ·覆盖算法在文本分类中的应用 | 第102-109页 |
| ·分类器的评价方法 | 第103页 |
| ·文本的预处理 | 第103-105页 |
| ·实验内容及结果 | 第105-109页 |
| ·本章小结 | 第109-110页 |
| 第七章 总结和展望 | 第110-113页 |
| ·主要结论 | 第110-111页 |
| ·发展与展望 | 第111-113页 |
| 参考文献 | 第113-125页 |
| 攻读博士学位期间科研工作及发表论文 | 第125-126页 |
| 致谢 | 第126页 |