基于主成分分析和KNN混合方法的文本分类研究

特征选择和分类算法是文本分类中的两个关键技术,提出了基于主成分分析和KNN相结合的文本分类方法。该方法利用主成分分析对文本向量的高维空间进行特征选择,为克服因类别特征选择不当带来的不利影响,使用KNN算法进行分类可以最大程度地减少分类过程中的误差。为了验证方法的有效性,针对UCI标准数据集进行仿真实验。实验结果显示,PCA-KNN方法优于主成分分析和随机森林相结合的方法,能在一定程度上提高文本分类的精度。     

基于半监督分类方法的变压器故障诊断

变压器油中溶解气体分析(DGA)是电力变压器故障诊断的重要方法。针对现有方法建立分类器时需用到大量已知类别数据而没有利用待分类数据的问题,将半监督分类(SSC)方法引入变压器故障诊断问题中,建立了一个新的变压器故障诊断模型。SSC方法在学习过程中能同时利用已知类别数据和未知类别数据,获得更多的信息,因而有更好的学习效果。采用模糊近邻标签传递的半监督分类(FNNLP-SSC)方法进行变压器故障诊断,所提方法依据样本与其K个近邻的模糊相似性连接,使类别标签从标签数据向未标签数据传递,最终实现未标签数据的分类。对故障DGA样本的诊断实例结果表明,所提FNNLP-SSC方法比模糊C均值(FCM)方法和IEC 3比值法有更高的诊断正确率,验证了所提方法在变压器故障诊断中的有效性和可行性。