基于混沌微粒群算法的文本分类研究*

针对中文文本分类问题,将其用于分类规则的抽取。为了避免微粒群算法在全局优化中陷入局部极值,利用混沌运动遍历性、随机性等特点,对标准微粒群算法进行了改进,提出了基于混沌微粒群算法的文本自动分类方法。仿真实验表明本算法对文档进行分类是一种比较可行的分类方法,分类精度高、速度快。     

浅谈基于粗集理论的文本归类系统

文本归类是处理大量文本数据自动分类的重要技术。基于粗集理论建立的林业文本信息归类系统,是在已知类别的训练集的基础上,通过分析训练数据样本,建立决策表产生区分矩阵构造出区分函数,并化简它,得到最小属性约简,最后应用Apriori算法产生最终分类的规则表,利用产生的规则表,可将林业文本信息数据进行自动归类。     

中文文本分类中特征提取的方法

讨论了文本分类系统中的特征提取方法.探讨了文档频率(DF)、信息增益(IG)、互信息算法(MI)三种不同的特征提取方法对中文文本分类的影响,并提出了一种结合信息增益和互信息的特征提取方法.实验表明本文提出的特征提取方法一定程度上提高了中文文本分类准确性.     

增强Fisher判决的Bagging集成分类方法

提出了一种样本间的相似性度量方法,并将这种相似性度量信息附加到Fisher线性判别的类内、类间离散度矩阵,使得Fisher判决准则在使类内距离迭最小、类间距离迭最大的同时,也使类内相似度迭最小、类间相似度达最大,获得比原始Fisher判剐更好的投影矩阵。实验证明,与Bagging集成的Fisherfaee比较,该方法显示出更好的识别率。     

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.     

中文期刊编目实时更新的探索途径

中文期刊长期出版过程中,刊名、频率等信息会发生变化,需要中文期刊编目数据的实时更新。结合实践探讨了在中文期刊刊名等信息变化时,期刊书目数据的实时维护更新途径和方法。     

建筑生成过程中的“时间”研究

寻找建筑失落的"灵魂",正视特定情境中的社会文化对建筑生成的意义,并将其从理论认识落实到具体行动,解决当代多元文化与建筑形式风格趋同现象之间的现实矛盾,是当今建筑发展严峻和急迫的课题。论文从城市建筑的形式、风格趋同现象出发,对传统建筑生成方式提出质疑,通过回归建筑本体和意义的存在价值分析,认识到建筑师必须积极主动地以社会、文化等广泛背景为切入点进行设计,以"时间"这一全然不同的研究角度探索新思路,将社会文化"时间"作为建筑学拓展的新视野,研究建筑如何在"当代"特定社会背景和文化多元的时间维度中,营造具有不同"时间"文化意蕴的情境建筑。希望所谓的"时代精神"对建筑的影响主要表现在建筑生成的过程中,为开启我国建筑创作的新思路抛砖引玉。     

荆江门弯道近期滩槽演变特点及影响因素分析

三峡水库运用改变了下泄水沙条件,坝下游弯曲河型均呈现“凸冲凹淤”演变规律,以致碍航问题日益突出。为研究弯曲河型滩槽演变特点及其成因,以下荆江河段荆江门弯道为例,利用三峡蓄水后近15 a实测地形资料,采用逻辑推理及统计分析方法分析其影响因素并预测了航道变化趋势。结果表明:三峡工程运用后,凸岸边滩年际间呈持续冲刷趋势,冲刷位置不断下移导致河段展宽引起航道条件恶化;在平滩流量(20 000~25 000 m³/s)持续时间＞15 d的年份,凸岸边滩冲刷后退,反之淤长;冲淤幅度与年均来沙量,尤其细沙(d≤0.125 mm)含量密切相关,基本呈同步变化趋势;荆江一期工程实施后,在当前水沙条件下凸岸边滩会继续受冲,形成枯水双槽,航道条件将恶化。水沙过程的改变是弯曲河型滩槽演变的主要原因,遇大水且来沙量较少的年份,荆江门河段很可能出浅碍航,这可为下荆江弯曲河段航道治理提供一定的参考价值。     

高速公路施工区车辆强制换道耗时生存模型

为研究高速公路施工区车辆强制换道行为及其影响因素,采用生存分析中的半参数分析方法建立强制换道耗时的乘法风险率模型.通过无人机拍摄采集高速公路施工区的车辆换道耗时及其影响因素数据,最终确立换道耗时Cox比例风险模型,对换道耗时数据进行Cox回归建模分析.结果表明:近77%的换道车辆在10 s内完成换道;小型车和中型车经养护施工区的换道耗时未发现显著性差别;对于相同的换道耗时,平峰期的累积生存率明显低于高峰期和过渡时期,而高峰期的累积生存率最高.建立的强制换道耗时生存模型可有效的定量分析车型和交通时段对高速公路施工区车辆换道行为的影响,可为高速公路施工区交通管理控制及车辆换道行为建模及仿真奠定一定的理论基础.     

基于相对贡献率的特征选择方法

特征选择是文本分类过程中极其重要的一个环节。本文提出了一种新的特征选择算法,该算法基于一个特征频度相对于其它特征频度的差值的总和衡量其相对贡献率的大小,从而进行特征选择。本文使用了基准数据集20-Newgroups,在朴素贝叶斯和支持向量机两个分类器上对该方法进行了验证。实验结果表明,与信息增益、互信息,几率比和DIA相关因子等四种流行的特征选择算法相比,该算法有效降低了文本的特征维数,提高了分类精度。