基于粗糙集和神经网络的邮件分类研究

论文摘要

本文首先详细分析了基于粗糙集的垃圾邮件过滤系统模型和工作流程以及基于粗糙集的分类算法。介绍了几种常用的特征选择算法,针对其中的SFS特征选择算法的缺点,即存在不能删除冗余属性的问题,提出了利用Mitra’s+SFS算法来提高特征选择的效果,该算法应用于特征子集的选择时,可以消除冗余和不相关特征,极大地降低了特征属性的维数。对于基于粗糙集的垃圾邮件过滤系统产生过多冗余规则和分类精确率不高的问题,提出了具有自适应分类功能的BP神经网络作为改进系统模型的分类模块,同时,运用全局优化良好的遗传算法（GA）来优化BP神经网络的权值和阀值,以解决BP算法可能出现的“过拟合”现象和局部极小值问题。在此基础上,提出了基于粗糙集和神经网络结合的邮件分类的改进系统模型。对改进的模型进行分类实验,并对实验结果进行评估,实验结果表明,改进的系统模型无论在垃圾邮件召回率还是在分类的精确率上都有所提高,从而验证了提出的改进模型的有效性。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 垃圾邮件及其危害
• 1.2 垃圾邮件过滤技术研究现状
• 1.3 存在的问题
• 1.4 论文的研究内容
• 1.5 论文的组织结构
• 第二章 垃圾邮件过滤技术
• 2.1 电子邮件系统的基本组成
• 2.2 白名单和黑名单
• 2.3 基于规则的过滤技术
• 2.4 基于内容的过滤技术
• 2.5 本章小结
• 第三章 基于粗糙集和神经网络的邮件分类模型
• 3.1 基于粗糙集的邮件分类模型
• 3.2 特征选择算法
• 3.3 GA在参数优化中的应用
• 3.4 遗传算法在神经网络中的应用
• 3.5 改进后的基于粗糙集和神经网络的邮件分类模型
• 3.6 本章小结
• 第四章 实验和评价
• 4.1 数据集
• 4.2 软件工具介绍
• 4.3 实验设计
• 4.4 实验结果
• 4.5 实验评价
• 4.6 本章小结
• 第五章 总结与展望
• 5.1 本文总结
• 5.2 未来展望
• 参考文献
• 附录
• 1 特征提取
• 2 特征选择
• 3 粗糙集基本理论
• 4 遗传算法
• 5 BP神经网络
• 致谢