基于仿生模式識別的文本分類技術(shù)研究.pdf

1、互聯(lián)網(wǎng)時代的來臨，使得各種電子文本數(shù)據(jù)急劇增加，如何快速有效地獲取、管理和使用這些文本數(shù)據(jù)，己經(jīng)成為信息系統(tǒng)學(xué)科迫切需要解決的重要問題。而文本分類技術(shù)是信息處理技術(shù)的重要研究方向，它是對大量的自然語言文本按照一定的主題類別進(jìn)行自動分類。傳統(tǒng)的文本分類算法(或傳統(tǒng)模式識別)都是基于最佳劃分的，而仿生模式識別(BiomimeticPatternRecognition，BPR)是基于“認(rèn)識”事物而不是“區(qū)分”事物，更符合人類認(rèn)識世界的本質(zhì)，所

2、以本文把仿生模式識別的理論應(yīng)用在文本分類中。
　　仿生模式識別是一種不同于傳統(tǒng)模式識別的理論方法，它的理論基點是特征空間中同類樣本的連續(xù)性(不能分裂成兩個彼此不鄰接的部分)特性。它通過對同類本的在高維特征空間的最佳覆蓋來達(dá)到識別樣本的目的。本文對仿生模式識別的理論基礎(chǔ)、數(shù)學(xué)工具和實現(xiàn)方式進(jìn)行了深入的研究學(xué)習(xí)，提出了用超香腸型神經(jīng)元(HyperSausageNeuron，HSN)網(wǎng)絡(luò)實現(xiàn)基于仿生模式識別的文本分類算法。
　　在

3、HSN網(wǎng)絡(luò)分類算法的基礎(chǔ)之上，本文又提出了三種改進(jìn)方法。對訓(xùn)練樣本冗余和噪聲的研究，提出了HSN網(wǎng)絡(luò)和聚類結(jié)合的分類算法；對邊界樣本存在誤識別問題的研究，提出了HSN網(wǎng)絡(luò)的K最高識別算法；而對特征噪聲問題的研究提出了二次特征選擇算法。此外，還提出了HSN網(wǎng)絡(luò)和SVM融合的分類算法。
　　在英文數(shù)據(jù)上，實驗結(jié)果表明改進(jìn)的HSN網(wǎng)絡(luò)分類算法比傳統(tǒng)的KNN和SVM分類性能要好；而在中文數(shù)據(jù)上，改進(jìn)的HSN分類算法性能要優(yōu)于KNN，而HS