基于神经网络的WEB图像分类器的研究

论文摘要

由于INTERNET和数字化技术的不断发展，INTERNET上所包含的信息也在飞速的增加，INTERNET已经成为包含各种信息形式，如文本、图像，音频等多媒体的巨大的信息资源库。而WEB图像信息的利用也越来越受到人们的关注，因此WEB图像信息资源的有效利用也是目前急需要解决的问题，因为这不但可以高效的帮助网络用户找到它们所需要的信息，而且还可以帮助解决INTERNET上图像噪音的过滤问题。然而由于WEB图像从主题、格式、到功能和来源是不同的，所以很难用一个统一的标准对其进行分类，并进行有效的检索。因此，目前对WEB图像的分类研究主要是针对某一范围进行的，当然这也限制了对WEB图像的有效利用。本研究的目的是建立一个高效的WEB图像分类器，实现对INTERNET上WEB图像的高速有效分类。采用的分类算法是数据挖掘算法中的神经网络分类算法，并对其进行了一定的优化，采用了弹性BP算法。由于从HTML文件中得到的属性值存在缺失的情况，而这正好可以利用神经网络算法的特点，因为神经网络具有很强的鲁棒性和容错性。实验通过训练集建立神经网络，再用此神经网络来对测试集里的图像进行分类。实验结果表明该WEB图像分类器经过不断的重复训练，具有很强的自适应性，能够以较高的准确率对任意WEB图像进行分类。第一章绪论部分扼要地阐述了本课题研究的背景和意义，以及研究的目的。第二章介绍了图像分类的方法及其所运用的相关算法，使读者对WEB图像分类有大概的了解。第三章主要介绍了本研究的总体设计和研究方案。第四章主要介绍了用于获取实验数据的信息采集模型。第五章重点介绍了用于实验的神经网络算法的概述，原理等等。第六章详细介绍了用于实验的神经网络模型的设计与优化，并且给出了实验的相关数据与结果。第七章根据实验结果对此研究做了一个综合的评价，并对未来研究作出展望。实验系统的开发环境是Windows XP，开发平台是Visual C++和MS SOL Server2000。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 选题的研究背景和意义
• 1.2 研究的意义和内容
• 1.3 研究的目的
• 第2章 图像分类方法的研究
• 2.1 图像分类概述
• 2.1.1 基于文本的图像分类
• 2.1.2 基于内容的图像分类
• 2.2 基于数据挖掘算法的图像分类方法
• 2.2.1 数据挖掘概述
• 2.2.2 数据挖掘的功能
• 2.2.3 数据挖掘系统的分类
• 2.3 基于SVM算法的图像分类
• 2.4 基于决策树算法的图像分类
• 2.5 基于贝叶斯（Bayes）算法的图像分类
• 2.6 分类算法的评价标准
• 2.7 本章小结
• 第3章 总体设计和研究方案
• 3.1 本课题的主要研究目的内容
• 3.2 INTERNET数据采集模块
• 3.3 建立神经网络模型
• 3.4 系统开发设计平台
• 3.5 本章小结
• 第4章 实验数据的获取与数据预处理
• 4.1 INTERNET信息采集模块
• 4.1.1 WEB页面的HTML文档的采集
• 4.1.2 WEB页面属性的获取
• 4.1.3 图像高度,高度,ALT,SRC,HREF属性的获取
• 4.1.4 图像说明文字的提取
• 4.2 图像属性的处理及计算
• 4.2.1 图像的SRC,HREF属性的计算
• 4.2.2 图像说明文字、ALT文本和网页标题的分词
• 4.2.3 图像链接属性的计算
• 4.2.4 图像高度与宽度比的计算
• 4.3 本章小结
• 第5章神 经网络技术
• 5.1 神经网络综述
• 5.2 生物神经元的基本原理
• 5.3 人工神经网络概述
• 5.4 人工神经网络算法的功能
• 5.5 人工神经网络在分类预测中的应用
• 5.5.1 人工神经网络在市场组合法中的应用
• 5.5.2 目标识别分类的应用
• 5.5.3 焊接接头力学性能预测中的应用
• 5.6 BP神经网络原理
• 5.7 BP网络的学习过程
• 5.8 BP神经网络分类模型的算法推导
• 5.9 本章小结
• 第6章 神经网络模型的设计与优化
• 6.1 BP网络在本研究中的应用
• 6.1.1 WEB图像的初步分类以及输入属性的确定
• 6.2 辅助工具的确定
• 6.2.1 MATLAB的简介
• 6.2.2 MATLAB的ANN工具箱
• 6.3 BP网络的优化及改进
• 6.4 预测模型的设计
• 6.5 系统构架
• 6.5.1 系统主界面
• 6.5.2 数据采集模块界面
• 6.6 系统实验
• 6.7 本章小节
• 第7章 系统评测
• 7.1 系统性能分析
• 7.2 总结展望
• 第8章 结束语
• 参考文献
• 致谢