基于集成算法的在线课程评论情感识别与主题挖掘研究

本文构建了集成算法对在线课程评论进行多元分类情感识别与主题挖掘的模型,通过Adaboost多个弱分类器之间的相互加权组合成强分类器对课程评论进行三分类情感识别,提取到不同特征样本下的在线课程评论情感的分类结果,并运用LDA主题模型挖掘评论的隐藏主题,最后搭建语义网络,帮助学习者从整体把握课程的优劣属性及关注主题。以MOOC平台的10 583条评论为对象,进行情感识别模型构建,并与机器学习的单独分类模型进行实验对比。实验结果发现,该模型能够有效地识别评论主体的情感,准确率优于单独的分类器,准确值高达88.12%,并能较好地抽取评论关注主题及课程属性,为学习者在选择课程时提供策略支持,帮助学习者做出正确决策,这说明集成学习算法在帮助学习者挑选课程做决策的性能上适应度较高。     

卷烟在线评论的文本情感分析

【背景和目的】卷烟在线评论能够真实反映卷烟的口碑,有助于卷烟工商企业了解消费者的卷烟使用体验和卷烟口碑动态。为了从海量卷烟消费在线评论中提炼有效的消费者体验信息,本文进行了卷烟在线评论的文本情感分析研究。【方法】首先构建了适用于烟草领域的卷烟在线评论情感词典,并据此建立了卷烟评价文本情感分析模型。然后选取烟悦网(http://www.yanyue.cn/)上评论较多两款卷烟产品作为研究对象,通过Python通用网络爬虫采集了2008年至2018年两个产品的在线评论,经数据清洗处理后,得到有效在线评论数据。将评论数据输入卷烟评价文本情感分析模型,按照产品、时间、地区等维度分别计算出情感指数。通过情感指数变化和比较,可以洞察卷烟在线评论中的情感表达,并给出了相应的对策与建议。【结论】情感指数能够为卷烟经营评价方式提供新的洞察力,动态监测消费者情感变化,及时把握烟草市场环境的消费者情感趋势。     

基于语义的KNN短文本分类算法研究

针对短文本分类关键词特征稀疏和样本数量多,难以处理的技术难点,提出一种基于语义的KNN短文本分类算法.该算法采用基于字的分词策略提取出短文本的特征词,结合中国知网对关键词进行概念映射以提高短文本的语义表达,并针对短文本特点,通过使用LSA降维处理,对KNN分类算法加以改进.实验结果表明,该算法能够有效提高短文本的分类性能.     

标签相关的多标签分类算法

针对多标签分类问题,建立一种考虑标签间相关性的多标签分类模型.首先,对属性值为数值型的多标签数据集,建立基于类和属性依赖度的离散化MLAIM(Multi-Label Attribute Interdependence Maximization)算法.其次,通过对标签集进行贝叶斯网结构学习,得到每个标签的父节点,提出标签相关的多标签分类模型,即MLLD(Multi-Label Classification algorithm based on Lael Dependency)算法,并给出MLLD算法的具体过程.通过数值实验将MLLD算法与二元关联(BR)算法等4种算法进行比较,结果表明MLLD算法分类效果更好.     

基于Prewitt算子的苹果分类研究

提出一种简单实用的基于Prewitt算子的苹果分类算法.该算法利用Prewitt算法检测苹果图像的边缘,利用阈值方法对苹果图像进行分割,通过计算连接区域确定苹果是否有损伤.该方法不仅可以精确定位苹果的茎部和损伤部位,而且能够消除苹果图像中的阴影.100个测试样本的实验表明,该算法能够快速地对苹果进行准确分类,准确率可以达到99%.     

基于对象分析的土地覆被提取方法对比

机器学习和数据挖掘算法在高光谱高空间分辨率遥感影像中得到了极大的发展.文章以靖远县地区的Landsat-8 OLI数据,经矫正融合后,选取最优分割尺度,并选取最优特征空间,基于WEKA平台对比了J48分类算法、KNN分类算法、SMO分类算法.实验表明SMO算法的分类效果优于KNN算法分类效果,J48算法分类效果最差.     

基于L_1范数改进的自回归算法及分类应用

为进一步提升神经自回归密度估计算法拟合联合概率分布能力,提高分类准确率,提出了一种基于L1范数参数正则化的神经自回归密度估计算法,并在L1正则化的基础上加入波利亚科夫平均(Polyak averaging)参数更新思想.对网络进行稀疏化与连接权重的稳定更新,提高分类的准确率.通过调节超参数,选取UCI数据集对改进算法的概率分布拟合能力进行测试,结果显示拟合能力得到提高;对图片数据集进行分类准确率测试,数据集LabelMe分类准确率从83.43%提升到83.85%,数据集UIUC-Sports分类准确率从77.29%提升到78.12%,表明改进算法有效.     

多层前馈神经网络几种算法的样本顺序敏感性

检测神经网络4种算法(有弹回的算法、OSS算法、LM算法和Regularization算法)的分类能力.结果表明,多层前馈神经网络的分类能力与算法和学习样本顺序有关;OSS算法和LM算法训练的网络分类能力对学习样本顺序最为敏感,且容易产生输出奇异点和宽幅输出波动,Regularization算法训练的网络分类能力对学习样本顺序不敏感;下凸学习样本顺序的OSS算法分类精度最高,网络分类能力最强;递增学习样本顺序的LM算法分类精度最低,网络分类能力最差;不同算法的网络分类能力对学习样本的敏感程度取决于网络权值、阈值的冗余与传递函数的性质.     

论DBSCAN算法在图像分割中分类的实现

本文介绍了一种基于密度的聚类算法（DBSCAN）的方法来对图像进行分割。DBSCAN是一种对数据进行分类的算法,运用到图像分割表现为对像素进行分类。本算法的主要研究内容包括：在图像分割中DBSCAN算法设计和DBSCASI算法实现。     

基于谱聚类胶囊网络的文本分类方法

传统胶囊网络(CapsNet)在计算时使用的动态路由算法需要多次迭代,针对这一问题,文章提出一种基于谱聚类的胶囊网络模型(Spectral Clustering Capsule Network,SC-Caps)并将其应用于文本分类任务.这种模型首先使用卷积层对文本进行特征提取,在初级胶囊层将提取的标量特征转化为向量特征,再利用谱聚类算法将高维的向量特征转化为较低维的子向量特征,并在卷积胶囊层学习局部与全局之间的关系映射.在搜狗语料库SougoCA进行实验,结果与LSTM、C-LSTM以及采用其他路由方法的胶囊网络进行比较,证明该算法有效提高了文本分类的分类效果.     

Evaluation of chicken freshness using a low-cost colorimetric sensor array with AdaBoost–OLDA classification algorithm

This paper attempted to evaluate chicken freshness using a low-cost colorimetric sensor array with the help of a classification algorithm. We fabricated a novel and low-cost colorimetric sensors array, with a specific colorific fingerprint to volatile compounds, using printing chemically responsive dyes on a C2 reverse silica-gel flat plate. In addition, we proposed a novel classification algorithm for sensors data classification – orthogonal linear discriminant analysis (OLDA) and adaptive boosting (AdaBoost) algorithm, namely AdaBoost–OLDA. And we compared it with two classical classification algorithms – linear discriminant analysis (LDA) and back propagation artificial neural network (BP-ANN). Experimental results showed classification results by AdaBoost–OLDA algorithm is superior to BP-ANN and LDA algorithms, the classification results by which are both 100% in the calibration and prediction sets. This study sufficiently demonstrated that the colorimetric sensors array with a classification algorithm has a high potential in evaluating chicken freshness, and AdaBoost–OLDA algorithm has a strong performance in solution to a complex data classification.     

基于差分进化的BP网络学习算法

提出了一种基于差分进化的BP网络学习算法,该算法是一种全局随机优化算法.利用差分进化算法的全局寻优能力,可以很好的训练BP网络的权值和阈值.将所提出的算法与BP算法作对比实验,结果表明,所提出的算法相对于BP算法在分类准确度上有较大的提高,而且具有良好的收敛性和泛化能力.     

基于小波与模糊相融合的苹果分级算法

为了准确获取苹果图像的边缘,实现苹果自动分级,提出一种基于小波与模糊相融合的苹果分级算法。对苹果图像进行全向小波变化,经模糊算法处理,通过自适应阈值,提取出苹果图像的边缘,再利用漫水填充算法,获取苹果图像的面积,根据苹果类圆特性,将面积转换为直径,并根据直径大小,完成苹果分级。仿真试验结果表明,该算法对3个级别苹果的分级正确率均在98%以上,说明该算法能够用于苹果的分级检测。     

基于分类特征提取和深度学习的牛肉品质识别

目的：降低数据差异性和光谱特征冗余度对牛肉品质识别的影响。方法：提出一种基于分类特征提取和深度学习的牛肉品质识别方法,采用改进的DPeak算法对光谱数据进行自适应聚类分析,实现对数据的差异性分析。定义牛肉光谱特征提取目标函数,采用离散狮群算法进行求解,提取每个分类的最佳光谱特征子集,最大限度降低特征冗余度。运用改进狮群算法(ILSO)对每个分类对应的支持向量机(SVM)模型参数进行优化,提出融合分类特征提取和ILSO优化SVM的牛肉品质识别模型,完成对牛肉品质的分类识别。结果：相比于SSA-SVM、PCA-SVM识别模型,该模型识别精度提高了约12.3%~14.5%。结论：基于分类特征提取和深度学习的牛肉品质识别模型能够提高牛肉品质识别精度。     

基于支持向量机和压力传感器的水果分类系统

目的:提高水果分类准确率并兼顾低计算成本和低传感器成本。方法:提出一种基于电容式压力传感器的水果分类系统,通过采用高斯核函数的支持向量机算法(高斯支持向量机算法)对水果进行分类。所采用的电容式压力传感器由薄铜片和一层乙酸乙烯酯制成,压力传感器被固定在模拟机械手的聚酰胺氨纶手套的拇指和食指上。获得的电容值以数字电平的形式表示,通过数据处理软件进行数据提取,采用核函数的支持向量机算法对电容数据进行处理,以确定水果的类别。结果:对11种水果的分类结果表明,采用高斯—支持向量机算法的智能手套能够实现水果的高准确率分类,且可根据实际需要在分类准确率、计算成本和低传感器成本之间权衡。结论:该系统可用于开发水果分类的电子系统,提升分类机械手的水果分类性能。     

基于种群分类的差分进化算法

针对差分进化算法易陷入局部最优及收敛速度慢的缺点,提出基于种群分类的差分进化算法.该算法首先在种群中随机选取3个个体,与目标个体的适应度值进行比较,从而将种群分为优势、一般和劣势子种群;其次对每类子种群采用不同的变异算子进行变异操作,并设置合理的参数取值.所提算法不仅保证了算法的鲁棒性,而且充分利用了每个个体的特征信息,有效地平衡了全局搜索能力和局部开发能力.数值实验说明了本文算法的有效性.     

Detection and classification of the spliced yarn joint using vector quantization and dynamic time warping

This paper presents an automatic vision based system for unsupervised detection and classification of spliced yarn joint. In the splice detection process, a competitive learning method based on LBG algorithm is used. In the splice classification process, a dynamic time warping (DTW) algorithm is used to classify the extracted splice joint into one of three degrees of quality based on the degree of similarity between the spliced joint and the non-spliced part of the same yarn. The use of DTW in the classification makes the proposed method adaptable to different types of yarns. Consequently, this method might be globally optimal for classification of all spliced yarn joints. The proposed method has been evaluated using three sorts of experiments. One hundred and twenty images containing different grades of joint quality have been used in the first experiments, where 97.5% detection rate and 95.8% classification accuracy were achieved. In the second experiment, 280 standard images that represent high quality reference images of 12 groups of spliced yarns are used. In this experiment 97.1% detection rate and 100% classification rate have been achieved. Moreover, the method has been tested using the Murata Image Database; this is a large set of high quality images of splice joints for different yarn types.     

Classification of cereal bars using near infrared spectroscopy and linear discriminant analysis

This work proposes an analytical method for cereal bar classification based on the use of near infrared spectroscopy (NIRS) and supervised pattern recognition techniques. Linear discriminant analysis (LDA) is employed to build a classification model on the basis of a reduced subset of variables (wavenumbers). For the purpose of variable selection, three techniques are considered, namely successive projection algorithm (SPA), Genetic Algorithm (GA), and stepwise (SW) formulation. The methodology is validated in a case study involving the classification of 121 cereal bar samples into three different types (conventional, diet and light). The results show that the LDA/GA model is superior to the LDA/SPA and LDA/SW models with respect to classification accuracy in an independent prediction set. Some advantages of the proposed method are speed, that the analytical measurement is performed quickly (one minute or less per sample), no reagents, low sample consumption and minimum sample preparation demands. In view of the results obtained in this study the proposed method may be considered valid for use in cereal bar classification.