人工鱼群-BP神经网络算法在文本分类中的应用研究

论文摘要

随着海量信息以及新信息量的爆炸式增长，使得用户难以在海量的信息中获取自己所需要的信息；文本分类在较大程度上解决信息杂乱无章的问题，对文本进行分门别类，可以使用户快速有效的获取到自己所需要的信息。文本分类技术是数据挖掘的一个主要分支，是基于自然语言处理技术和机器学习算法的一个典型的具体应用，研究各种高效的分类算法在文本分类中的应用是目前的重要研究课题之一，也是现实中亟待解决问题。本文首先阐述了文本分类的研究状况以及目前存在的问题，介绍了文本分类的一般处理过程，探讨了文本分类的相关技术，重点分析和研究了文本预处理、本表示、特征选择等重要步骤以及常用的文本分类算法。本文较为系统的阐述了人工鱼群算法、BP神经网络的基本原理，并分别就人工鱼群算法、BP神经网络在文本分类中的问题加以探讨，并指出传统BP神经网络文本分类器的缺陷与不足。BP神经网络相对于其它算法有更强的稳定性和抗干扰性，在文本分类中效果很好，但是仍有学习效率低，收敛速度不够快，容易陷入局部极值等缺点，人工鱼群算法具有很好的克服局部极值，获得全局极值的寻优能力，对初值和参数要求不高，对启发式函数的要求并不敏感，在解决较为复杂的组合优化问题中表现出良好的性能。所以我们结合了人工鱼群算法和BP神经网络的各自优点，用工鱼群算法来优化BP神经网络文本分类器，构建出人工鱼群-BP神经网络分类器。在此基础上我们设计和实现了一个基于人工鱼群-BP神经网络算法的文本分类系统，并对实验结果进行对比分析，验证本文算法在文本分类中有较好的分类效果。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.2 研究现状
• 1.3 文本分类存在问题
• 1.4 本文主要内容和结构
• 第二章 文本分类技术研究
• 2.1 文本分类的一般步骤
• 2.2 文本预处理
• 2.3 文本表示
• 2.4 特征选择方法
• 2.5 分类算法
• 2.5.1 Naive Bayes 方法
• 2.5.2 KNN 方法
• 2.5.3 决策树方法
• 2.6 实验对比分析
• 2.6.1 特征降维对比分析
• 2.6.2 分类方法对比分析
• 2.7 本章小结
• 第三章 人工鱼群和 BP 神经网络算法
• 3.1 人工鱼群算法
• 3.1.1 人工鱼群算法的基本思想
• 3.1.2 人工鱼群算法的发展及研究现状
• 3.1.3 人工鱼群算法的描述
• 3.1.4 人工鱼群算法的实现
• 3.1.4.1 TSP 问题的描述
• 3.1.4.2 人工鱼群算法的优化实例
• 3.2 神经网络理论
• 3.2.1 神经网络定义
• 3.2.2 神经网络基本原理
• 3.2.3 神经网络分类
• 3.2.4 BP 神经网络的特点
• 3.3 BP 神经网络理论
• 3.3.1 BP 神经网络模型
• 3.3.2 BP 网络学习过程
• 3.3.3 BP 网络数学表达
• 3.4 本章小结
• BPNN 优化算法的文本分类器研究'>第四章 基于 AFSA_BPNN 优化算法的文本分类器研究
• 4.1 基本思想
• 4.2 人工鱼群 BP 神经网络算法步骤
• 4.2.1 编码设计
• 4.2.2 构造适应值函数
• 4.2.3 基于 AFSA 的 BP 神经网络优化算法
• 4.3 仿真试验与性能分析
• 4.4 本章小结
• 第五章 文本分类模型系统设计与实现
• 5.1 文本分类系统概要设计
• 5.2 改进的文本分类系统主要功能模块流程
• 5.2.1 训练模块
• 5.2.2 分类模块
• 5.3 文本分类的实验结果与分析
• 5.3.1 实验数据
• 5.3.2 文本分类效果评估标准
• 5.3.3 实验结果对比分析
• 5.4 本章小结
• 第六章 结束语
• 6.1 本文主要工作
• 6.2 进一步的工作
• 参考文献
• 致谢
• 个人简介