基于高斯混合模型林業(yè)信息文本分類的技術研究.pdf

1、林業(yè)信息文本分類是根據(jù)建立好的分類器，讓計算機對給定的林業(yè)信息文本集進行分類的過程具有理論和實用雙重價值。本文詳細介紹了林業(yè)信息文本特征提取的過程，利用構造的特征矩陣進行林業(yè)信息文本分類，詳細分析了高斯混合模型和基于修正加權高斯牛頓的神經網絡算法的原理，為林業(yè)信息文本的分類提供了新思路。
　　本文研究主要結論:
　　(1)本文將高斯混合模型算法引入林業(yè)信息文本分類研究中。高斯混合模型的參數(shù)估計采用參數(shù)估計算法，由于EM參數(shù)估

2、計算法雖然是逐步收斂到最大值，但是初始值的選擇對于EM算法最終的收斂效果起到很大的影響，所以本文提出了將K-means算法估算的初始結果賦值給EM參數(shù)估計算法，大大提高了EM算法參數(shù)估計的精度。由于K-means算法是聚類算法，在初始化值輸入構造的高斯混合模型中時，林業(yè)信息樣本的類型需要和樣本群匹配，所以對于樣本的要求有一定的限制，所以此處所做實驗選擇的是均衡的林業(yè)信息文本。
　　(2)本文將基于修正加權高斯牛頓的神經網絡算法引入

3、林業(yè)信息文本分類研究中，基于修正加權高斯牛頓的神經網絡算法(RW-GN)是BP神經網絡算法的改進算法，是對神經網絡算法中的訓練函數(shù)進行參數(shù)優(yōu)化，提高了算法的分類正確率。由于該算法是以神經網絡算法為基礎所以算法具有較高的穩(wěn)定性，適合不均衡林業(yè)信息文本的分類，通過實驗結果表明，基于加權高斯牛頓的神經網絡算法對不均衡林業(yè)信息文本的分類獲得了較高的準確率。
　　(3)將本文的兩種算法分別應用在林業(yè)信息的均衡與不均衡的樣本中。針對算法的優(yōu)點