基于高斯混合模型林業(yè)信息文本分類的技術(shù)研究.pdf

1、林業(yè)信息文本分類是根據(jù)建立好的分類器，讓計(jì)算機(jī)對給定的林業(yè)信息文本集進(jìn)行分類的過程具有理論和實(shí)用雙重價(jià)值。本文詳細(xì)介紹了林業(yè)信息文本特征提取的過程，利用構(gòu)造的特征矩陣進(jìn)行林業(yè)信息文本分類，詳細(xì)分析了高斯混合模型和基于修正加權(quán)高斯牛頓的神經(jīng)網(wǎng)絡(luò)算法的原理，為林業(yè)信息文本的分類提供了新思路。
　　本文研究主要結(jié)論:
　　(1)本文將高斯混合模型算法引入林業(yè)信息文本分類研究中。高斯混合模型的參數(shù)估計(jì)采用參數(shù)估計(jì)算法，由于EM參數(shù)估

2、計(jì)算法雖然是逐步收斂到最大值，但是初始值的選擇對于EM算法最終的收斂效果起到很大的影響，所以本文提出了將K-means算法估算的初始結(jié)果賦值給EM參數(shù)估計(jì)算法，大大提高了EM算法參數(shù)估計(jì)的精度。由于K-means算法是聚類算法，在初始化值輸入構(gòu)造的高斯混合模型中時(shí)，林業(yè)信息樣本的類型需要和樣本群匹配，所以對于樣本的要求有一定的限制，所以此處所做實(shí)驗(yàn)選擇的是均衡的林業(yè)信息文本。
　　(2)本文將基于修正加權(quán)高斯牛頓的神經(jīng)網(wǎng)絡(luò)算法引入

3、林業(yè)信息文本分類研究中，基于修正加權(quán)高斯牛頓的神經(jīng)網(wǎng)絡(luò)算法(RW-GN)是BP神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)算法，是對神經(jīng)網(wǎng)絡(luò)算法中的訓(xùn)練函數(shù)進(jìn)行參數(shù)優(yōu)化，提高了算法的分類正確率。由于該算法是以神經(jīng)網(wǎng)絡(luò)算法為基礎(chǔ)所以算法具有較高的穩(wěn)定性，適合不均衡林業(yè)信息文本的分類，通過實(shí)驗(yàn)結(jié)果表明，基于加權(quán)高斯牛頓的神經(jīng)網(wǎng)絡(luò)算法對不均衡林業(yè)信息文本的分類獲得了較高的準(zhǔn)確率。
　　(3)將本文的兩種算法分別應(yīng)用在林業(yè)信息的均衡與不均衡的樣本中。針對算法的優(yōu)點(diǎn)