本書著重介紹了隱馬爾科夫模型和支持向量機在甲骨文信息處理中的應用情況，首先介紹了機器學習概念、相關技術和研究現狀以及甲骨文信息化的概念和研究現狀，接著從語料加工和字形拆分方面對甲骨文字形進行了分析研究，在甲骨文語料庫的基礎上實現了機器自動分詞和詞性標注，並利用支持向量機技術對甲骨文字形分類進行了研究，最後提出了支持向量機應用到甲骨拓片文字定位中的方法。

●第1章 緒論
1.1 引言
1.2 機器學習概述
1.2.1 機器學習的基本概念
1.2.2 機器學習的發展歷程
1.2.3 機器學習的方法
1.3 機器學習的研究現狀
1.3.1 文本分類
1.3.2 目標檢測
1.4 機器學習中的主要算法
1.4.1 決策樹算法
1.4.2 樸素貝葉斯算法
1.4.3 支持向量機算法
1.4.4 人工神經網絡算法
1.4.5 深度學習
1.5 本書的結構和組織
參考文獻
第2章 甲骨文信息處理
2.1 甲骨文信息處理簡介
2.1.1 中文信息處理概述
2.1.2 甲骨文信息處理
2.2 甲骨文信息處理研究現狀
2.2.1 甲骨文輸入和可視化
2.2.2 甲骨文字形庫的構建
2.2.3 甲骨文數據庫
2.2.4 甲骨文字分割和識別
2.2.5 甲骨文拓片綴合
2.2.6 甲骨文語義分析
2.2.7 甲骨文計算機輔助翻譯技術研究
2.2.8 甲骨文著錄信息化
2.3 甲骨文字形結構分析及單字拆分
2.3.1 甲骨文字形結構分析
2.3.2 單字拆分過程及結果
2.4 總結
參考文獻
第3章 基於隱馬爾可夫模型技術的甲骨卜辭的分析研究
3.1 基於隱馬爾可夫模型技術的甲骨卜辭的研究背景和意義
3.1.1 研究背景
3.1.2 研究意義
3.2 自然語言處理綜述
3.2.1 自然語言處理概述
3.2.2 自然語言處理所涉及的幾個層次
3.2.3 自然語言處理的基本方法及發展
3.2.4 自然語言處理的研究現狀
3.3 隱馬爾可夫模型
3.3.1 隱馬爾可夫模型的定義
3.3.2 隱馬爾可夫模型理論基礎
3.3.3 隱馬爾可夫模型的形式描述
3.3.4 隱馬爾可夫模型的3個基本問題
3.3.5 隱馬爾可夫模型在分詞和詞性標注方面的應用
3.4 語料庫
3.4.1 語料庫的定義
3.4.2 語料庫的分類
3.4.3 語料庫的應用
3.4.4 語料庫的發展和研究現狀
3.4.5 甲骨文語料庫
3.5 基於隱馬爾可夫模型的甲骨卜辭詞性標注
3.5.1 繫統設計
3.5.2 查詢功能的實現
3.5.3 分詞的實現
3.5.4 詞性標注的實現
3.5.5 結論
3.6 總結與展望
參考文獻
第4章 基於支持向量機的甲骨文字結構分析研究
4.1 統計學習理論基礎
4.1.1 統計學習一致性的條件
4.1.2 VC維
4.1.3 推廣性的界
4.1.4 結構風險最小化
4.2 支持向量機
4.2.1 很優分類面
4.2.2 非線性支持向量機
4.2.3 幾種常見核函數
4.2.4 多類分類問題
4.2.5 支持向量機的優勢
4.3 支持向量機分類技術在文字檢測領域應用
4.4 基於支持向量機的甲骨文字形結構分析
4.4.1 甲骨文字形構件分析
4.4.2 幾種分類方法比較
4.4.3 特征提取
4.4.4 支持向量機學習及分類
4.4.5 繫統實現
4.4.6 結果
4.5 總結與展望
參考文獻
第5章 基於支持向量機的甲骨拓片圖像處理研究
5.1 引言
5.1.1 常見基於計算機視覺的文本定位方法
5.1.2 甲骨文圖形研究現狀
5.1.3 甲骨拓片單字檢測和定位方法
5.1.4 基於支持向量機的文本圖像定位研究
5.2 數字圖像處理
5.2.1 數字圖像處理的相關概念及應用
5.2.2 數字圖像處理的相關方法和結果
5.3 基於支持向量機的拓片文字定位方法研究
5.3.1 實驗數據
5.3.2 步驟描述
5.4 總結
參考文獻

本書簡單回顧了機器學習的基本概念，以及機器學習的研究方法和進展，著重介紹了隱馬爾可夫模型扣支持向量機兩種機器學習方法在甲骨文信息處理中的應用情況。本書的組織結構如下：第1章是關於機器學習的概念及其相關技術和研究現狀；第2章介紹了甲骨文信息化的概念和研究現狀，對甲骨文著錄信息化繫統進行了詳細描述，同時從語料加工和字形拆分方面對甲骨文字形進行了分析研究；第3章利用自然語言處理技術對甲骨卜辭進行了分析，實現了基於隱馬爾可夫模型的機器自動分詞和詞性標注；第4章詳細介紹了支持向量機技術的基本理論知識，分析了預處理時涉及的相關知識，最終利用支持向量機技術對甲骨文字形分類進行了研究；第5章分析了甲骨文圖像研究現狀和支持向量機在圖像檢測和定位方面的應用研究，提出了支持向量機應用於甲骨拓片文字定位中的方法。