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

定　價：￥68.00

作　者：	平源，周亞建，楊義先著
出版社：	人民郵電出版社
叢編項：
標　簽：	電子與通信通信

購買這本書可以去

ISBN：	9787115332691	出版時間：	2014-01-01	包裝：	平裝
開本：	16開	頁數(shù)：	184	字數(shù)：

內(nèi)容簡介

　　《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》在國內(nèi)外已有相關(guān)工作成果的基礎(chǔ)上，研究了以支持向量機理論為基礎(chǔ)的聚類分析方法及文本分類中的關(guān)鍵技術(shù)，內(nèi)容涉及模型基本原理、參數(shù)分析、數(shù)據(jù)預處理、聚類分析關(guān)鍵問題與改進及文本表示策略等，旨在系統(tǒng)地總結(jié)作者近年來在該領(lǐng)域的研究工作，并幫助讀者快速了解影響支持向量聚類和分類器的關(guān)鍵因素及發(fā)揮優(yōu)勢、規(guī)避局限的分析方法和改進思路?！秳?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》共分為6章，第1章為緒論；第2章介紹支持向量機理論基礎(chǔ)，并重點總結(jié)和分析了支持向量機分類機、聚類器及回歸機的研究現(xiàn)狀；第3章先給出了噪聲數(shù)據(jù)定義及其消除算法，后引入簇原型思想建立了雙質(zhì)心支持向量聚類算法；第4章進一步分析了原型對簇標定的影響，論證了在特征空間對數(shù)據(jù)集進行凸分解的可行性及分解后影響簇連接性判斷準確率的原因，并提出了基于凸分解的簇標定算法；第5章提出了直接用簇邊界樣本構(gòu)造支持函數(shù)的快速支持向量聚類算法，并通過文本聚類和P2P流量分析實驗驗證了算法的有效性；第6章通過對最大間隔原理、結(jié)構(gòu)化風險與數(shù)據(jù)集可分性的關(guān)系和文本表示關(guān)鍵問題的分析，以豐富文本向量所攜帶信息量為目的，從多個角度提出了對基于支持向量機的文本分類性能提升方案。最后為全書總結(jié)和在本領(lǐng)域進一步研究的建議?！秳?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》可供從事機器學習、文本分類相關(guān)理論及應用研究，尤其對支持向量機相關(guān)研究感興趣的科研、教學和工程技術(shù)人員參考。

作者簡介

暫缺《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》作者簡介

圖書目錄

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(chǔ)
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