基于扩展Petri网的文本分类模型

在扩展Petri网基础上提出了一种新的文本分类模型。基本思想是利用定性映射方法扩展Petri网系统,利用状态方程进行推理,使文本分类更接近于人类思维判断过程,并给出了分类算法。     

一种模糊认知图分类器的研究*

通过使用模糊认知图来模拟分类过程,构造了一种模糊认知图分类器,提出了它的两种模糊认知图分类模型,并在此基础上给出了使用它进行分类的推理机制。实验证明,该方法具有良好的分类性能。     

基于规则推理的FPN误用入侵检测方法

针对网络入侵攻击活动的模糊性，提出了一种基于模糊推理的模糊Petri网（FPN）误用入侵检测方法。该方法定义了一个六元组FPN，并将模糊产生式规则精化为两种基本类型。在此基础上给出了FPN表示模糊规则的模型、推理过程和基于FPN的推理算法。最后通过入侵检测的实例对该方法的正确性和有效性进行了验证，结果表明该方法推理过程简单直观、容易实现，而且具有并行推理能力，可适用于大规模的FPN模型，是误用入侵检测技术的一种非常有效的解决方案。     

GIBBS仿真方法运用在大型因果图的推理过程

在信度网基础上发展起来的因果图模型,克服了信度网的一些不足,目前已发展成一个能够处理离散变量和连续变量的混合模型,特别适于运用在大型的工业故障诊断领域。但因果图在推理计算中,面临着与信度网的推理算法复杂度过高的同样问题。通过比较几种MarkovChainMonteCarlo(MCMC)方法,论文基于Gibbs仿真算法的思想,并对进入稳态条件、采样顺序判定准则、采样结束判据等进行深入分析,进而提出了一种改进的仿真推理新方法。利用该采样仿真算法能极大地提高故障诊断的速度和准确度,这对因果图模型在工业在线故障诊断领域中的应用具有重要意义。     

模糊Petri网及知识表示

在建造专家系统中虽然有很多种知识表示方法，但都有不尽人意的地方，本文试图用一种新的方法－Ｐｅｔｒｉ网模型来表示知识。本文给出了Ｆｕｚｚｚｙ Ｐｅｔｒｉ网和广义Ｆｕｚｚｙ Ｐｅｔｒｉ网两种模型，并给出了相应的推理算法，一旦专家知识用Ｐｅｔｒｉ网表示后，根据Ｐｅｔｒｉ网固有的特性，我们就能处理专家系统中并行推理、无回溯推理，反向推理等问题。     

基于知网的文本推理

文本推理在自然语言处理的应用中占有极为重要的位置,本文介绍了基于知网的一种推理方法,该方法以语义网络的形式表示知网中的知识,利用“标记传递”实现推理。其特点是引入构造-融合模型的思想,动态生成知识结构,有引导地在文本词汇间建立推理路径。利用16种推理类的实例对其进行测试,结果表明在有足够上下文的条件下,该方法能够得出较为理想的推理,并且代价不高。     

基于矩阵运算的Petri网反向推理算法

通过对加权模糊Petri网模型和反向推理算法的研究,建立了加权模糊Petri网的关联Petri网推理模型。在此基础上,提出了基于矩阵运算的反向推理算法。通过实例对算法进行了检验,结果表明该算法具有解决复杂问题的并行推理能力、推理效率高、推理过程简单、容易实现。     

基于多类别信息量的模糊Petri网故障推理策略

针对模糊Petri网推理模型膨胀、推理过程繁琐的问题,研究基于信息论方法的推理过程简化策略;利用自信息和熵函数的概念,提出了一种多类别故障特征信息量准则,给出了多类别故障特征信息量的具体计算方法;制定系统的故障推理策略时,首先选择故障信息量最大的故障特征进行测试,然后依据故障特征的测试顺序建立模糊Petri网模型,最后根据模糊Petri网模型进行故障推理;结论证明,该方法能够有效地进行故障推理,实现系统故障的动态和快速搜索。     

扩展时段时序逻辑的推理机制

该文在扩展时段时序逻辑的基础上提出了一种推理机制，这种推理机制基于时间Petri网模型及基本不等式规则，可由一组已知的扩展时段时序关系推出一些未知的扩展时段时序关系，对不确定时间段内发生的事件及其相互关系具有较好的描述能力，这种推理机制的优势在于定性地对扩展时段之间的时序关系进行推理分析，利用时间Petri网模型，可以对复杂时序逻辑关系进行化简，比单纯利用不等式规则的推理更直观，也更简单，是一种行之有效的方法。     

Markov逻辑网及其在文本分类中的应用

介绍了Markov逻辑网的理论模型、学习算法和推理算法,并将其应用于中文文本分类中.实验结合了判别式训练的学习算法,MC-SAT、吉布斯抽样和模拟退火等推理算法,结果表明基于Markov逻辑网的分类方法能够取得比传统K邻近(KNN)分类算法更好的效果.     

Compact fuzzy association rule-based classifier

Classification is one of the most popular data mining techniques applied to many scientific and industrial problems. The efficiency of a classification model is evaluated by two parameters, namely the accuracy and the interpretability of the model. While most of the existing methods claim their accurate superiority over others, their models are usually complex and hardly understandable for the users. In this paper, we propose a novel classification model that is based on easily interpretable fuzzy association rules and fulfils both efficiency criteria. Since the accuracy of a classification model can be largely affected by the partitioning of numerical attributes, this paper discusses several fuzzy and crisp partitioning techniques. The proposed classification method is compared to 15 previously published association rule-based classifiers by testing them on five benchmark data sets. The results show that the fuzzy association rule-based classifier presented in this paper, offers a compact, understandable and accurate classification model.     

基于模糊熵的KNN分类模型在岩性识别中的应用

KNN分类模型是一种简单直接的惰性分类算法,适用于多分类问题,可应用于复杂岩性识别中。该研究以苏里格气田苏东某区为研究工区,该地区岩性结构复杂多样,其识别是本次研究工作的重点。传统KNN方法在类重叠度高的部分易判错,样本容量小的类域易误分,稀疏类的边缘点易受干扰,分类效果欠佳。为克服缺点,提出了基于模糊熵的KNN分类模型,又称为FE-KNN（Fuzzy Entropy-KNN）。FE-KNN分类模型将传统KNN与模糊理论相结合,区别对待不同特征和不同样本点,使分类的精度由84.7%提高至86.9%,为复杂碳酸盐岩岩性识别提供了一种新的思路。     

一种基于元学习的医疗文本分类模型

医疗文本专业术语复杂,垂直领域训练样本不足,传统的分类方法不能满足现实需求,提出一种基于元学习的小样本文本分类模型提高医疗文本分类效率。该模型基于迁移学习思想,加入注意力机制赋予句子中的词语不同的权重,利用两个相互竞争的神经网络分别扮演领域识别者和元知识生成者的角色,通过自适应性网络加强元学习对新数据集的适应性,最后使用岭回归获得数据集的分类。实验对比分析结果验证了该模型对一些公开文本数据集和医疗文本数据具有很好的分类效果。基于元学习的小样本文本分类模型可以成功地应用在医疗文本分类领域。     

基于生成对抗网络的多标签节点分类研究

节点分类被广泛应用于社交网络等网络数据处理之中,为了进行节点分类研究,     

过程神经元网络在网页自动分类中的应用研究

针对信息挖掘中的网页自动分类问题,提出了一种基于向量空间模型和过程神经元网络的分类方法。网络由输入层、隐层和输出层组成。输入层完成分类样本的输入,隐层提取输入样本所隐含的模式特征,将分类结果在输出层表现出来。以因特网上旅游网页分类为例验证了该方法的有效性。     

一种遥感图象的混合多尺度Hurst参数分类模型

针对遥感图象分类较困难的问题,提出了一个遥感图象的分类模型－扩展的自相似模型（ESS）,该模型是一种广义的分形布朗模型（fBm),它的多尺度Hurst参数与粗糙度之间的是对应的,同时不必像分形维数那样要求粗工的尺度不变性,因而比fBm更接近于实际情况,另外,由于它的参数可以作为很好的分类特征,而且特征给数低,计算快,其方向性Hurst参数还描述了纹理在4个方向上的粗糙度,因此可将它们与灰度的均值和标准差一起作为一组特征,来构造一个混合多尺度Hurst参数分类模型,将其用于卫星遥感图象分类,获得了较高的分类正确率。     

An expert model for self-care problems classification using probabilistic neural network and feature selection approach

Self-care problems classification is one of the important challenges for occupational therapists. Extent and variety of disorders make the self-care problems classification process complex and time-consuming. To overcome this challenge, an expert model is proposed innovatively in this research. The proposed model is based on Probabilistic Neural Network (PNN) and Genetic Algorithm (GA) for classifying self-care problems of children with physical and motor disability. In this model, PNN is employed as a classifier and GA is applied for feature selection. The PNN is trained by using a standard ICF-CY dataset. Based on ICF-CY, occupational therapists must evaluate many features to diagnose self-care problems. According to the experiences of occupational therapists, these features have different effects on classification. Hence, GA is employed to select relevant and important features in self-care problems classification. Since the classification rules are important for occupational therapists, the self-care problems classification rules are extracted additionally by using the CART algorithm. The experimental results show that by using the feature selection algorithm, the accuracy and time complexity of classification are improved in comparison to other models. The proposed model can classify self-care problems of children with 94.28% accuracy by using only 16.5% of all features.     

一种基于多目标优化的数据分类模型

论文将从多目标优化的角度出发，结合LDA的第一个目标（最大化类间方差）和SVM 的第二个目标（最小化经验风险），构造一个新的最大类间方差和最小经验风险（MVE）数据分类模型。由于该模型是一个非凸规划模型，论文使用凹凸规划（CCCP）来进行求解。为了验证论文提出的数据类模型，对人工和真实的数据挖掘实验室数据（UCI）数据集进行分类实验测试。实验结果表明该数据分类模型有效性的。     

结合邻居辅助策略的两阶段层次文本分类模型

传统两阶段层次文本分类模型（THTC模型）是一种解决大规模层次文本分类问题的有效方法,但该模型的分类准确率仍然不是很高。为了缓解这个问题,提出了结合邻居辅助策略的两阶段层次文本分类模型（THTC-NA模型）。THTC-NA模型由搜索阶段和分类阶段组成。搜索阶段采用扁平策略从所有的叶子类别中选择与待分类文档最相关的[k]个类别作为候选类别集,这样可以大大减小分类阶段的搜索空间。分类阶段通过结合候选类别的祖先类别和兄弟类别的分类结果来帮助计算候选类别在分类阶段的结果。最后将搜索阶段的结果和分类阶段的结果融合起来共同决定待分类文档的目标类别。在数据集Newsgroups-18828上的实验表明,相对于THTC模型,THTC-NA模型对提高层次文本分类准确率有很大的帮助。     

融合多重注意力机制的卷积神经网络文本分类设计与实现

针对单一的卷积神经网络文本分类模型忽视词语在上下文的语义变化,未对影响文本分类效果的关键特征赋予更高权值的问题,提出了一种融合多重注意力机制的卷积神经网络文本分类模型.该模型将注意力机制分别嵌入卷积神经网络的卷积层前后,对影响文本分类效果的高维特征和低维特征进行权值的重新分配,优化特征提取过程,实现特征向量的精确分类.在池化层采用平均池化和最大池化相结合的方法,从而减少特征图的尺寸,避免过拟合现象的发生,最后使用softmax函数进行分类.本文在三个不同的中英文数据集上进行实验,同时设计注意力机制重要性对比实验,分析自注意力机制与CNN结合对文本分类效果提升的重要性,结果表明该分类模型有效地提高了分类的准确性.