創(chuàng)新技術(shù)學術(shù)專著：基于支持向量機的聚類及文本分類關(guān)鍵技術(shù)研究

第1章 緒論
1.1 引言
1.2 機器學習理論
1.2.1 無監(jiān)督學習
1.2.2 有監(jiān)督學習
1.2.3 半監(jiān)督學習
1.2.4 增強學習
1.3 支持向量機與聚類分析
1.4 支持向量機與文本分類
1.5 本書的主要工作
第2章 支持向量機技術(shù)基礎
2.1 引言
2.2 統(tǒng)計學習理論
2.3 支持向量機技術(shù)
2.3.1 支持向量分類機
2.3.2 L2-支持向量機
2.3.3 多類問題的決策方法
2.3.4 支持向量回歸機模型
2.3.5 支持向量機研究現(xiàn)狀
2.4 支持向量聚類
2.4.1 支持向量聚類模型
2.4.2 影響支持向量聚類的關(guān)鍵因素
2.5 本章小結(jié)
第3章 雙質(zhì)心支持向量聚類
3.1 引言
3.2 噪聲數(shù)據(jù)點消除策略
3.2.1 噪聲數(shù)據(jù)分布結(jié)構(gòu)分析
3.2.2 噪聲數(shù)據(jù)消除算法
3.3 雙質(zhì)心簇標定策略
3.3.1 簇的分解策略
3.3.2 單組件雙質(zhì)心的構(gòu)造
3.3.3 成員關(guān)系的判定規(guī)則
3.3.4 算法描述
3.4 DBC時間性能分析
3.5 聚類實驗分析
3.5.1 數(shù)據(jù)集
3.5.2 實驗對比算法
3.5.3 噪聲數(shù)據(jù)消除實驗
3.5.4 DBC聚類效果測試
3.5.5 DBC整體性能測試
3.5.6 DBC模型的半監(jiān)督應用測試
3.6 本章小結(jié)
第4章 基于凸分解的簇標定算法
4.1 引言
4.2 基于凸分解的簇標定算法
4.2.1 簇在特征空間中的凸性質(zhì)
4.2.2 支持超凸多面體的凸分解
4.2.3 凸包的標定算法
4.2.4 標定非凸包樣本
4.3 CDCL算法時間性能分析
4.4 聚類實驗分析
4.4.1 數(shù)據(jù)集
4.4.2 實驗對比算法
4.4.3 CDCL算法適應能力分析
4.4.4 CDCL算法整體性能測試
4.5 本章小結(jié)
第5章 快速支持向量聚類算法
5.1 引言
5.2 快速支持向量聚類算法（FASVC）
5.2.1 選擇簇邊界樣本
5.2.2 構(gòu)造超球面
5.2.3 自適應的簇標定策略
5.2.4 FASVC算法的實現(xiàn)
5.3 FASVC時間性能及特點分析
5.3.1 FASVC時間性能分析
5.3.2 FASVC算法特點
5.4 聚類實驗分析
5.4.1 數(shù)據(jù)集
5.4.2 實驗對比算法
5.4.3 FASVC參數(shù)敏感性測試
5.4.4 FASVC算法整體性能測試
5.4.5 利用FASVC進行文本聚類
5.4.6 利用FASVC識別P2P流量
5.5 本章小結(jié)
第6章 基于支持向量機的多模式文本分類研究
6.1 引言
6.2 文本表示的關(guān)鍵問題與啟示
6.2.1 場景1：特征的文檔頻率之外的信息
6.2.2 場景2：最大值保留的特征權(quán)重與特征的多類別分布信息
6.2.3 場景3：文本的結(jié)構(gòu)信息
6.3 基于支持向量機的多模式文本分類方案
6.3.1 自適應的文本塊劃分算法
6.3.2 兼顧類別貢獻度和類間區(qū)分度的特征權(quán)重方案
6.3.3 融合多類別傾向的特征類間區(qū)分能力強化方案
6.3.4 基于文本塊重要性分布加權(quán)的特征頻率方案
6.4 分類實驗分析
6.4.1 數(shù)據(jù)集
6.4.2 實驗對比方案
6.4.3 評價指標
6.4.4 CCE方案實驗結(jié)果與分析
6.4.5 C2TCTVT算法框架實驗結(jié)果與分析
6.4.6 NWET與N2WET組合方案實驗結(jié)果與分析
6.5 本章小結(jié)
結(jié)束語
參考文獻
名詞索引