| 【中文题名】 | 多类文本分类的支持向量机网络 |
| 【英文题名】 | The Reseacher on Support Vector Machine Networks for Text Classification |
| 【学科专业】 | 计算机系统结构 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-7-19 |
| 【中关键词】 | 文本分类,支持向量机,多类分类器,,, |
| 【英关键词】 | text categorization,support vector machine,multiclass, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>> |
| 【论文摘要】 |
基于统计学习理论的支持向量机算法具有坚实的数学理论基础和严格的理论分析，具有理论完备、全局优化、适应性强、推广能力好等优点，是机器学习中的一种新方法和研究新热点。它使用结构风险最小化原则，综合了统计学习、机器学习和神经网络等方面技术，在最小化经验风险的同时，有效地提高了算法泛化能力。它与传统的机器学习方法相比，具有良好的潜在应用价值和发展前景。
本文通过分析和总结现有的几种典型支持向量机算法，提出了一种新的组合SVM新构架，对其算法的性能和应用作了深入研究。主要工作包括：
(1)对文本分类的概念、分类技术进行系统地介绍。
(2)系统地研究了支持向量机的求解方法。主要有支持向量机的二次规划求解法、选块法、分解法、序列最小优化方法、基于Lagrange函数的迭代求解方法即Lagrange支持向量机、基于Smoothing处理的牛顿求解方法。这些方法是通过求解凸二次规划问题或将大规模问题转化成若干子问题再求解凸二次规划问题，或者是转化为无约束最优化问题再利用比较成熟的最优化方法求解。通过对它们的分析，为提出新的支持向量机算法提供了理论基础。
(3)支持向量机原本是为二类分类... |
| 【论文题纲】 |
|
摘要 |
8-10 |
|
ABSTRACT |
10-12 |
|
第1章 前言 |
12-15 |
|
1.1 背景介绍 |
12-13 |
|
1.2 本文的工作 |
13-14 |
|
1.3 本文的组织 |
14-15 |
|
第2章 文本分类与相关算法 |
15-23 |
|
2.1 文本分类的定义 |
15-16 |
|
2.2 文本表示模型 |
16-17 |
|
2.3 向量空间模型 |
17-18 |
|
2.4 文本特征选择 |
18-19 |
|
2.5 文本分类器 |
19-22 |
|
2.6 本章小结 |
22-23 |
|
第3章 支持向量机算法研究 |
23-31 |
|
3.1 引言 |
23-24 |
|
3.2 SVM基本方法介绍 |
24-26 |
|
3.3 SVM各种改进算法及比较 |
26-30 |
|
3.4 支持向量机的应用及发展方向 |
30 |
|
3.5 本章总结 |
30-31 |
|
第4章 支持向量机多类分类算法研究 |
31-40 |
|
4.1 引言 |
31-32 |
|
4.2 常用的基于SVM的多类分类器的构造方法 |
32-35 |
|
4.3 组合分析原理 |
35-36 |
|
4.4 多类SVM的新结构 |
36-39 |
|
4.5 本章总结 |
39-40 |
|
第5章 实验与评价 |
40-43 |
|
5.1 分类系统结构 |
40 |
|
5.2 基于支持向量机网络的中文网页的分类系统及性能分析 |
40-42 |
|
5.3 本章小结 |
42-43 |
|
第6章 总结 |
43-44 |
|
参考文献 |
44-48 |
|
致谢 |
48-49 |
|
攻读学位期间发表的术论文目录 |
49-50 |
|
学位论文评阅及答辩情况表 |
50 |
|
| 【DOI】 | LunWen.ID:2.2008.388685 |
