發(fā)布時間：2021-03-18 11:06

  隨著信息技術(shù)的快速發(fā)展,信息海量增長,如何從大量數(shù)據(jù)中獲取有用信息是人們急需解決的問題。信息多數(shù)是以文本的形式出現(xiàn),而中文是世界上使用人數(shù)最多的語言,所以研究中文文本分類具有重要意義。文本分類可以高效的組織和管理信息,實現(xiàn)快速、準確的定位信息,有效的緩解了信息混亂無序的現(xiàn)象。文本分類的問題是維數(shù)高、稀疏性大和特征關(guān)聯(lián)度高,而支持向量機在解決這些問題上具有很大的優(yōu)勢,因此,支持向量機廣泛應(yīng)用于文本分類中。但是,支持向量機也有一些缺點,例如,樣本數(shù)量增多導(dǎo)致分類速度變慢,參數(shù)對算法的學(xué)習(xí)性能和泛化能力影響較大。目前傳統(tǒng)的支持向量機參數(shù)的尋優(yōu)方法存在一些缺陷,比如搜索能力較弱和準確率不高等問題。本文針對以上問題,在優(yōu)化支持向量機參數(shù)方面進行了詳細的研究,以達到提高文本分類的準確率和減少分類時間的效果。本文的主要研究內(nèi)容如下:首先,論文系統(tǒng)的概述了文本分類的研究背景及意義,海內(nèi)外研究和未來的發(fā)展前景,介紹了文本分類的相關(guān)理論和關(guān)鍵技術(shù),對比了文本分類中常用的算法。通過實驗證明,SVM是分類效果相對較好的算法。然后,針對支持向量機參數(shù)選取困難的現(xiàn)象,本文引入了螢火蟲算法,并對其進行改進,將改進后的算法來優(yōu)化支持向量機參數(shù)。通過實驗進行對比,驗證了改進后的螢火蟲算法在早期全局搜索能力增強,在后期收斂速度加快,提高了算法的性能。其次,將改進后的螢火蟲算法應(yīng)用于SVM參數(shù)優(yōu)化中,并將優(yōu)化后的參數(shù)應(yīng)用于訓(xùn)練SVM模型中。最后,通過實驗對比標準支持向量機和改進后螢火蟲算法優(yōu)化的支持向量機在文本分類中的效果。實驗結(jié)果顯示,改進的支持向量機模型應(yīng)用在文本分類時,分類速度加快,分類的精準率明顯提高,增強了支持向量機的分類性能,驗證了改進算法的有效性。
【學(xué)位授予單位】：華北電力大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP18;TP391.1

【參考文獻】

相關(guān)期刊論文 前10條

1 王振武;孫佳駿;尹成峰;;改進粒子群算法優(yōu)化的支持向量機及其應(yīng)用[J];哈爾濱工程大學(xué)學(xué)報;2016年12期

2 趙宇;陳銳;劉蔚;;集成特征選擇的最優(yōu)化支持向量機分類器模型研究[J];計算機科學(xué);2016年08期

3 馮曉琳;寧芊;雷印杰;陳思羽;;基于改進型人工魚群算法的支持向量機參數(shù)優(yōu)化[J];計算機測量與控制;2016年05期

4 張進;丁勝;李波;;改進的基于粒子群優(yōu)化的支持向量機特征選擇和參數(shù)聯(lián)合優(yōu)化算法[J];計算機應(yīng)用;2016年05期

5 陳健飛;蔣剛;楊劍鋒;;改進ABC-SVM的參數(shù)優(yōu)化及應(yīng)用[J];機械設(shè)計與制造;2016年01期

6 詹增榮;曾青松;;基于徑向基函數(shù)插值與SVM的協(xié)同過濾算法[J];計算機與現(xiàn)代化;2015年08期

7 楊海;丁毅;沈海斌;;基于改進螢火蟲算法的SVM核參數(shù)選取[J];計算機應(yīng)用與軟件;2015年06期

8 李瓊;陳利;;一種改進的支持向量機文本分類方法[J];計算機技術(shù)與發(fā)展;2015年05期

9 朱書偉;周治平;張道文;;基于改進多目標螢火蟲算法的模糊聚類[J];計算機應(yīng)用;2015年03期

10 王超學(xué);張濤;馬春森;;改進SVM-KNN的不平衡數(shù)據(jù)分類[J];計算機工程與應(yīng)用;2016年04期

相關(guān)碩士學(xué)位論文 前10條

1 任倚天;基于支持向量機的海量文本分類并行化技術(shù)研究[D];北京理工大學(xué);2016年

2 王蕾;一種人工螢火蟲群優(yōu)化算法改進的研究[D];青島理工大學(xué);2015年

3 李瑞青;改進的螢火蟲算法及應(yīng)用[D];吉林大學(xué);2015年

4 薛松;基于機器學(xué)習(xí)的文本處理技術(shù)研究與應(yīng)用[D];北京郵電大學(xué);2015年

5 徐曉明;SVM參數(shù)尋優(yōu)及其在分類中的應(yīng)用[D];大連海事大學(xué);2014年

6 杜芳華;基于半監(jiān)督學(xué)習(xí)的文本分類算法研究[D];北京工業(yè)大學(xué);2014年

7 王影;基于最近鄰子空間搜索的文本分類算法[D];北京工業(yè)大學(xué);2014年

8 李學(xué)學(xué);基于數(shù)據(jù)預(yù)處理和回歸分析技術(shù)的數(shù)據(jù)挖掘算法及其應(yīng)用研究[D];蘭州交通大學(xué);2014年

9 辛竹;文本分類中的特征提取算法研究與改進[D];北京郵電大學(xué);2014年

10 楊海;SVM核參數(shù)優(yōu)化研究與應(yīng)用[D];浙江大學(xué);2014年

本文編號：2023746