摘要
ABSTRACT
表格索引
插图索引
第一章 绪论
1.1 研究背景
1.1.1 普适计算
1.1.2 支持向量机
1.2 研究意义
1.3 关键技术
1.4 本文组织结构
1.5 本章小结
第二章 相关理论和研究
2.1 支持向量机简介
2.2 支持向量机的算法
2.2.1 基于分解的算法
2.2.2 序列最小优化算法
2.2.3 其他重要算法
2.3 本章小结
第三章 半稀疏算法
3.1 传统的稀疏算法
3.2 半稀疏算法的设计与实现
3.2.1 半稀疏算法
3.2.2 半稀疏算法的实现
3.2.3 半稀疏算法的性能分析
3.2.4 静态实现与动态实现
3.3 半稀疏算法的讨论
3.4 实验和验证
3.4.1 数据集
3.4.2 参数设置
3.4.3 性能综述
3.4.4 分类精确度
3.4.5 训练时间与参数c的关系
3.5 本章小结
第四章 多标签分类及并行实现
4.1 多分类问题
4.1.1 多分类单标签问题
4.1.2 多分类多标签问题
4.1.3 SMO对于训练失衡的自适应性
4.1.4 基于SVMTorch的多标签分类方法
4.2 并行化的SVMTORCH设计
4.3 实验数据与分析
4.4 本章小结
第五章 SVMTORCH在网页分类中的应用
5.1 系统框架
5.2 中文网页的表示
5.3 中文网页的分词处理
5.4 中文网页的特征提取
5.5 基于SVMTORCH的特征提取
5.6 实验结果和分析
5.7 本章小结
第六章 全文总结
6.1 全文结论
6.1.1 半稀疏算法
6.1.2 多标签分类
6.1.3 SVMTorch的并行程序实现
6.1.4 改进的SVMTorch在网页分类中的应用
6.2 研究展望
参考文献
致谢
攻读硕士学位期间已发表或录用的论文
上海交通大学;