一种改进的朴素贝叶斯分类器在文本分类中的应用研究

文本分类是数据挖掘领域中重要的研究分支.通过对自适应遗传算法和朴素贝叶斯分类器的研究,提出一种基于自适应遗传算法的朴素贝叶斯分类算法.将该算法应用于中文文本分类中,可以生成最优贝叶斯分类器及最优属性集合,提高分类精度.     

基于模糊积分的多分类器融合文本分类研究

提出一种基于模糊积分的多神经网络分类器融合文本分类方法,利用Sugeno模糊积分作为融合工具,将BP神经网络、RBF神经网络及采用K-means算法的RBF神经网络等多种文本分类器相结合,取得了更加优化的中文文本分类结果。     

一种基于BP网络的流量分类方法

针对传统的网络流量分类方法准确率低、开销大、应用范围受限等问题,提出了一种基于BP网络的流量分类方法。该方法改进了标准的BP网络算法,采用基于Lyapunov函数得到的自适应学习率,并引入遗传算法优化网络的初始连接权值和阈值,使网络避免陷入局部最小,加速了网络收敛过程。实验结果表明,采用改进的BP网络算法来处理网络流量分类问题具有明显的优势：该方法的收敛速度和拟合精度均优于标准BP算法,而且流量分类准确率高于NB算法。     

基于BP神经网络的车型分类器

针对车型特征,提出了一种基于BP神经网络的识别方法．从图像中提取车型特征向量,用BP神经网络设计分类器,并进行有效的训练与测试．应用改进的BP算法（尺度化共轭梯度法）对网络进行训练,使网络很快得到收敛,解决了一般算法收敛慢的缺陷．     

基于关联特征的朴素贝叶斯文本分类器

单词的共同出现信息可以为文本分类做出贡献，但是．目前的文本分类研究中未能充分使用这一信息。文中提出了一种利用关联特征来提高朴素贝叶斯文本分类器性能的策略．给出了关联特征集的构造方法，设计并实现了冗余关联特征剔除算法和关联特征筛选算法，使得特征空间中的每个特征都具有较强的分类能力。实验证明，经处理后的关联特征集可以提高朴素贝叶斯文本分类器的性能。     

一种增量式Bayes文本分类算法

文本自动分类是数据挖掘和机器学习中非常重要的研究领域 .针对难以获得大量有类标签的训练集问题 ,提出了基于小规模标注语料的增量式Bayes文本分类算法 .该算法分两种情况处理 :第一种情况是新增样本有类标签 ,可直接重新计算样本属于某类别的条件概率 .第二种情况是新增样本无类标签 ,则利用现有分类器为其训练类标签 ,然后利用新样本来修正分类器 .实验结果表明 ,该算法是可行有效的 ,比Na veBayes文本分类算法有更高的精度 .增量式Bayes分类算法的提出为分类器的更新提供了一条新途径     

基于遗传神经网络的入侵检测模型

针对入侵检测系统中存在的对入侵事件高误报率和漏报率问题,提出了遗传神经网络,该方法基于遗传算法的全局搜索和BP网络局部精确搜索的特性,利用遗传算法优化网络初始权重,将遗传算法和BP算法有机结合．实验结果表明,该算法正确鉴定合法的用户矢量为93％,发生7％的误报率．与BP、GA算法相比,分别高出2．875％和5．562％．     

一种基于遗传算法的受限制的分类器学习算法

提出了一种基于遗传算法的受限制BAN分类器算法-GBAN(genetic algorithm based BAN)。新算法采用了遗传算法进行网络结构的学习,限制了所学习的BAN分类器结构的复杂度。同时对TAN分类器的结构进行了扩展,得到了一种受限制的BAN分类器。针对这种分类器的结构学习,设计了结合对数似然的适应度函数及相应的遗传算子,并给出了网络结构的编码方案,使得该算法能够收敛到全局最优的结构。实验结果表明,当数据集属性之间关系相对复杂的时候,GBAN比TAN的分类准确率高,分类效果较好。     

基于遗传算法的BP网络优化研究

提出了一种改进的自适应遗传算法(IAGA)，它利用网络结构的特点，采用前向自适应技术，实现对神经网络的有效训练．仿真实验表明，该算法优于BP算法和标准遗传算法(BGA)，网络训练质量和效率都有很大提高．     

一种深度学习的信息文本分类算法

针对传统文本分类算法准确率低和正确率分布不均匀的问题,提出了基于深度学习的文本分类算法。深度信念网络具有强大的学习能力,可以从高维的原始特征中提取高度可区分的低维特征,不仅能够更全面的考虑到文本信息量,而且能够进行快速分类。采用TF-IDF方法计算文本特征值,利用深度信念网络构造分类器进行精准分类。实验结果表明,与支持向量机、神经网络和极端学习机等常用分类算法相比,该算法有更高的准确率和实用性,为文本的分类研究开拓了新思路。     

基于改进RAN算法的调制分类器

资源分配网络（RAN）算法可以在线训练径向基（RBF）神经网络,但算法中的网络隐层中心通常从零开始,容易受噪声和异常数据影响。文章提出一种改进RAN算法,将遗传算法（GA）对数据优化聚类后的中心点作为RAN算法的初始中心。仿真表明,基于改进算法设计的RBF调制分类器,结构简洁,识别准确率高。     

基于BP_Adaboost的目标跟踪算法应用研究

BP神经网络对目标跟踪时,由于其学习效率低及易于陷入局部极小的缺陷影响了跟踪算法的准确性。为提高BP神经网络跟踪模型的准确性,将Adaboost算法和BP神经网络相结合,提出了一种BP_Adaboost神经网络跟踪模型。通过Adaboost算法得到多个BP神经网络弱分类器组成的强分类器跟踪模型,将该模型应用于视频运动目标跟踪进行有效性验证。实验结果分析表明．该方法对运动目标能够准确地进行跟踪．大大提高跟踪算法的兽椿性．     

Adaboost算法分类器设计及其应用

Adaboost算法可以将分类效果一般的弱分类器提升为分类效果理想的强分类器,而且不需要预先知道弱分类器的错误率上限,这样就可以应用很多分类效果不稳定的算法来作为Adaboost算法的弱分类器.由于BP神经网络算法自身存在的局限性和对训练样本进行选择的主观性,其分类精度以及扩展性有待提高.将Adaboost算法与BP神经网络相结合,使用神经网络分类模型作为Adaboost算法的弱分类器.算法在matlab中实现,对2个UCI的分类实验数据集进行实验,结果表明Adaboost能有效改善BP神经网络的不足,提高分类正确率和泛化率.     

一种改进的SVM决策树Web文本分类算法

SVM决策树能够较好地进行Web文本信息分类,在此基础上进一步结合遗传算法,将SVM决策树分类器的分类正确率作为GA适应度函数,对SVM决策树层次结构进行优化,在每一决策节点自动选择最优或近优的分类决策。实验结果表明,采用该方法进行多类分类,分类精度明显提高,体现了将遗传算法与SVM决策树结合的优越性。     

基于多群体遗传算法的人脸表情识别

人脸表情识别是目前比较活跃的研究课题。该文提出一种采用多群体遗传算法进化的支持向量机对人脸表情进行分类的新型算法。先提取人脸表情特征,然后采用多群体遗传算法自动选择最优的支持向量机核函数,最后用支持向量机的方法进行分类．在日本JAFFE人脸表情库上进行了仿真实验,并与其他方法进行了比较,该文提出的方法获得了更好的识别效果。     

基于GA的负相关剪切集成不平衡行为分类研究

基于传感器的人类活动识别(HAR)在健康医疗领域具有重要的研究价值及研究意义。以往的关于传感器人类活动分类识别算法的研究,并没有考虑不同类别行为数据间的不平衡性。为了解决不同行为类别数据间的不平衡性影响算法精确度的问题,此算法采用下采样方法从大类和小类数据集中随机抽取选出若干组数量上相等的两种数据的集合,将多个不平衡数据变成平衡数据。其次,多个平衡数据集上训练多个弱分类器。然后,此算法以弱分类器的负相关和预测精度为代价函数,使用遗传算法挑选出能够使代价函数值最高的弱分类器来构成集成分类器。使集成算法内的弱学习器具有较高预测精度和多样性。最后,此算法使用挑选出的弱学习器构成集成学习器对人的行为进行集成分类。此算法在已有的行为数据集上进行了仿真实验研究,实验结果证明本文提出的基于遗传的负相关剪切集成不平衡行为识别算法相对于传统算法能够有效提高不平衡行为识别的正确率。     

用遗传算法求解网络最短路效率

为提高求解大型网络最短路问题(SP)的效率,采用遗传算法求解。应用可变长编码提高算法运行效率,通过构造杂交、变异算子,以其提供的一种全局搜索能力来提高解的质量及加快种群收敛速度,从而提高运算效率。因杂交及变异而产生的不可行解,则通过一个简单的修复函数,将其修复为可行解,并使它们加入遗传运算且保持种群的多样性,使遗传算法能更高效的运行。通过对大型网络最短路问题的数值实验,在同一网络中,遗传算法的运行时间明显少于Dijkstra算法,求解效率优于Dijkstra算法。