Hermite正交基前向神经网络的权值直接确定法

根据多项式插值与逼近理论,提出了一种基于Hermite正交基的前向神经网络模型．该神经网络采用3层前向结构,以一组Hermite正交多项式作为隐层神经元的激励函数,而输入输出层神经元则采用线性激励函数．依据误差回传（BP）算法给出了权值修正的迭代公式．区别于以往反复迭代训练而达到最优权值的标准做法,针对该Hermite正交基前向神经网络模型,进一步提出了一种基于伪逆的直接计算权值的方法（即一步确定）．该权值直接确定法避免了以往的权值反复迭代的冗长训练过程,仿真结果显示其具有比传统的BP迭代法更快的计算速度和工作精度．     

基于核覆盖算法的中文文本分类研究

文中介绍了使用核覆盖算法进行中文文本分类.研究了采取不同的特征选取方法、利用核覆盖算法进行文本分类的区别.通过实验,除互信息外的其它几种特征选取方法在核覆盖算法分类过程中均取得了较优的实验结果,可看出核覆盖算法在文本分类中是一个不错的方法.     

基于决策树的文本分类研究

本文对决策树数据挖掘方法进行分析和比较,并应用该分类方法对网页文本进行分类,仿真实验结果证明决策树算法在文本分类研究领域有着广阔的应用前景．     

基于VSM模型的动态文本分类器的设计

设计了一种基于VSM模型的动态文本分类器，它能针对文本的不同类别建立不同的特征子空间，各特征子空间之间相互独立，同时能将文本分类中常用的2个评估指标召回率和精确率转化为正确分类率和错分率；考察了特征子空间的维数和判定界值对这2个指标的影响．该动态文本分类器能对用户输入的文本流进行动态分类．     

文本分类中基于核的非线性判别

针对文本分类问题中的特征降维问题,改进最大散度差鉴别准则,引入核变换作为前处理,使最大散度差鉴别准则可适用于更广泛的文本分类情形. 提出一种基于核的非线性鉴别方法用于文本特征抽取. 借助于核变换解决了散度差准则在用于文本分类时线性可分性较差的问题. 在最低限度减少信息损失的前提下实现了特征维数的大幅度减缩. 文本分类试验结果表明,这种非线性方法与无核的最大散度差方法相比,F1值提高了4.7%, 具有明显的效率上的优势.     

基于粗糙集理论文本分类规则的优化方法

文本分类规则的提取和优化是衡量文本分类系统适应性能和分类能力的主要指标．在基于粗糙集和模糊聚类理论的文本分类系统中,结合粗集理论及不完备信息系统理论,提出了分类规则的提取和优化方法,通过实验和分析,产生用户满意的约简规则,从而能够快捷迅速地指导新文本的分类,提高系统的适应性能和分类能力．     

优化的互信息特征选择方法

在文本分类中,互信息是一种被广泛应用的特征选择方法,但是该方法仅考虑了特征的文档频而没有考虑特征的词频,导致它经常倾向于选择出现频率较低的特征.为此,提出了一个新的文档频并把它引人到互信息方法中,从而获得了一种优化的互信息方法,该优化的互信息方法不但考虑了特征的文档频而且还考虑了特征出现的词频,实验结果表明该优化的互信息方法性能良好.     

基于支持向量机的文本分类技术研究

介绍了文本分类的基本过程,讨论了常用的文本分类方法如K-最近邻分类算法K-NN(K-Nearest Neighbors,K-NN)、朴素贝叶斯分类算法NB(Naive Bayesian Classifier,NB)、决策树分类算法DT(Decision Trees,DT),并探讨了基于支撑向量机SVM(Support Vector Machines,SVM)的文本分类基本原理及方法.     

网络智能文本分类系统的研究与实现

介绍了文本自动分类的基本原理及相关的算法 ,提出了一种基于网络的智能文本分类系统的基本框架 ,并详细地阐述了实现它的关键技术     

中文文本自动分类技术的研究

文本自动分类技术是随着网络信息化而发展起来的。它的作用是将各地海量的电子资源通过网络联系在一起,实现资源共享。本文通过对自动分类技术的类型及基本概念的概述,提出了自动分类中两种重要的算法技术。     

利用概念知识的文本分类

针对统计方法不能从语义理解的角度进行文本分类的问题,提出了利用概念层次网络概念知识进行文本分类的方法,包括两部分：依据概念进行特征选取以及根据类别关联度分类. 在特征选取时,通过计算概念与类别的区分度挖掘出类别核心概念,并采用类别核心概念对特征项进行精选. 依据类别核心概念相关的类别语义信息,提出了文档与类别关联度的计算方法,并根据类别关联度来判断文本类别. 实验表明,该方法可有效降低特征空间维数,在提高分类效率的同时保证了分类效果,F1值略有提高. 与SVM、KNN和Bayes分类器对比,当特征项数目较少时,该方法的F1值明显高于其他3种方法,综合分类效果与SVM相当,优于KNN和Bayes.     

图Laplacian半监督特征加权用于高光谱波段选择

提出一种利用图Laplacian实现半监督波段选择的方法. 该方法首先将标记样本类别信息引入图Laplacian,接着通过广义特征值求解确定投影变换矩阵,最后采用载荷因子对变换矩阵进行系数分析,对波段重要性赋以权值并排序. 实验比较了多种波段选择算法,结果表明算法能更好地利用标记样本的类别信息和大量非标记样本中的局部结构信息,性能优于多种波段选择方法.     

基于加权全局时频特征的易混淆词识别

针对易混淆词特征差异小,分类决策困难的特点,提出了一种新的语音识别特征。该特征可以根据待识单词的发音特点,通过选用合适的基函数及加权处理,突出混淆词特征之间的差异性;     

基于跨领域迁移的AM-AdpGRU金融文本分类

针对当前基于深度学习的金融文本分类模型严重依赖于标记数据的问题,提出了一种基于跨领域迁移的AM-AdpGRU金融文本分类模型,通过学习相关领域数据的分类准则将其迁移到目标领域数据。AM-AdpGRU模型首先利用深度网络自适应来克服源领域和目标域之间数据分布差异导致的迁移损失,使得即使数据分布发生变化时模型也无需重构;然后利用注意力机制建立了目标域对源领域的特征选择机制,使得模型对源领域的注意力可以集中在与目标域相似性更高的部分。在公开的跨域情感评论Amazon数据集和SemEval-2017的Microblog金融数据集上进行了实验,将AM-AdpGRU模型与其他方法进行比较,结果表明AM-AdpGRU模型的分类平均准确性相对于其他模型有了显着提升。     

一种基于密度的改进KNN文本分类算法

KNN算法是一种应用广泛的人工智能算法,在文本分类应用中,简单有效,易于实现．但是,KNN分类的时间复杂度与训练样本数量成正比,而且,训练样本分布密度的不均匀性将导致分类准确性的下降．本文在KNN算法的基础上,提出一种改进算法．算法分析了训练样本的分布密度,通过裁减高密度区域训练样本,降低样本数量,调节训练样本分布,达到提高分类准确性的目的．实验证明,基于密度的改进KNN文本分类算法在降低时间复杂度的同时,还具有较好的准确率和召回率．     

用半监督聚类算法实现WEB文本挖掘

随着Internet网络的高速发展,海量的未标签文档和相对少量的已标签文档是当前Web文档的一个普遍情形,如何有效的利用少量的已标签文档去聚类海量的未标签文档,从而更好地获取有价值的信息,即半监督学习问题,已成为当前研究的热点.本文针对目前Web文本挖掘领域的无监督学习算法的检测率不高,而监督学习算法需要大量的标签数据又不易获得的问题,将半监督中的标签绑定技术与优化球形k-均值聚类算法相结合进行Web文本挖掘,并使用真实的测试数据对Web文本挖掘系统进行实验.结果表明本文方法对有价值文本具有较高检测率及较低的误报率,整体检测性能优于基于监督和无监督学习的Web文本挖掘算法.