基于仿生模式識別的文本分類技術研究.pdf

1、互聯網時代的來臨，使得各種電子文本數據急劇增加，如何快速有效地獲取、管理和使用這些文本數據，己經成為信息系統(tǒng)學科迫切需要解決的重要問題。而文本分類技術是信息處理技術的重要研究方向，它是對大量的自然語言文本按照一定的主題類別進行自動分類。傳統(tǒng)的文本分類算法(或傳統(tǒng)模式識別)都是基于最佳劃分的，而仿生模式識別(BiomimeticPatternRecognition，BPR)是基于“認識”事物而不是“區(qū)分”事物，更符合人類認識世界的本質，所

2、以本文把仿生模式識別的理論應用在文本分類中。
　　仿生模式識別是一種不同于傳統(tǒng)模式識別的理論方法，它的理論基點是特征空間中同類樣本的連續(xù)性(不能分裂成兩個彼此不鄰接的部分)特性。它通過對同類本的在高維特征空間的最佳覆蓋來達到識別樣本的目的。本文對仿生模式識別的理論基礎、數學工具和實現方式進行了深入的研究學習，提出了用超香腸型神經元(HyperSausageNeuron，HSN)網絡實現基于仿生模式識別的文本分類算法。
　　在

3、HSN網絡分類算法的基礎之上，本文又提出了三種改進方法。對訓練樣本冗余和噪聲的研究，提出了HSN網絡和聚類結合的分類算法；對邊界樣本存在誤識別問題的研究，提出了HSN網絡的K最高識別算法；而對特征噪聲問題的研究提出了二次特征選擇算法。此外，還提出了HSN網絡和SVM融合的分類算法。
　　在英文數據上，實驗結果表明改進的HSN網絡分類算法比傳統(tǒng)的KNN和SVM分類性能要好；而在中文數據上，改進的HSN分類算法性能要優(yōu)于KNN，而HS