收藏本站
《大连理工大学》 2008年
收藏 | 手机打开
二维码
手机客户端打开本文

基于支持向量机的文本分类算法研究

秦玉平  
【摘要】: 支持向量机作为一种基于统计学习理论的新型机器学习方法,较好地解决了非线性、高维数、局部极小点等实际问题,是机器学习领域新的研究热点。文本分类是基于内容的自动信息管理的核心技术。文本向量稀疏性大、维数高、特征之间具有较大的相关性,支持向量机对于特征相关性和稀疏性不敏感,处理高维数问题具有较大的优势,因此,支持向量机在文本分类中具有很大的应用潜力。但是,由于文本分类具有类别和样本数目多等特点,因此,支持向量机用于文本分类时仍有许多尚未完全解决的问题。例如,增量学习、兼类分类、训练和分类速度较慢等。本文主要针对支持向量机在文本分类等实际应用中存在的一些问题进行深入研究,主要工作如下: 1.对支持向量机兼类分类算法进行了研究。针对规模较小、类别数较多的兼类样本集,提出了一种基于l-a-r方法的兼类分类算法。该算法用l-a-r方法训练模糊子分类器,对待分类样本,通过子分类器得到其对应的隶属度向量,依据隶属度向量判定其所属类别。针对规模较大、类别数较少的兼类样本集,提出了一种基于l-a-l方法的兼类分类算法。该算法用l-a-l方法训练模糊子分类器,对于待分类样本,通过子分类器得到其对应隶属度矩阵,依据隶属度矩阵每行元素和判定该样本所属类别。针对规模较大、类别数较多的兼类样本集,提出了一种超球支持向量机兼类分类算法。该算法对每一类样本分别训练球超,通过计算待分类样本到各超球球心的距离确定其类别。实验表明,三种算法都能有效地实现兼类分类,扩展了支持向量机的分类能力。 2.对支持向量机增量学习算法进行了研究。提出了一种加权类增量学习算法,该算法是对CIL算法的改进,通过加入类权值,解决了因两类训练样本不平衡而造成的小类别分类精度较低的问题。实验证明,与CIL算法相比,该算法在不降低分类速度的前提下,提高了小类别的分类精度。同时,提出了一种新的类增量学习算法,该算法利用超球支持向量机进行分类。增量学习过程中,先对新增类别训练超球,然后对新增样本兼有的历史类别重新训练超球。在很小的样本集,很小的空间代价下实现类增量学习,同时保留了历史训练结果。该算法对单号样本和多标号样本都适用,便于改进和扩充。实验证明,该算法具有较高的训练速度、分类速度和分类精度,增强了支持向量机的学习能力。 3.对支持向量机快速分类算法进行了研究。在分析了现有支持向量集缩减方法的基础上,提出了一种支持向量机快速分类算法,该算法是对FCSVM算法的改进。该算法利用二分法选取支持向量子集,然后采用变换的方式,用选取的支持向量子集代替全部支持向量进行分类计算。实验结果表明,该算法在不损失分类精度的前提下,进一步缩减了决策函数中的支持向量,提高了支持向量机的分类速度。 4.对模糊支持向量机训练算法进行了研究。针对大规模训练集,提出了一种利用最大违反对选择工作集训练模糊支持向量机的算法。在此基础上,又提出了一种利用目标函数的二阶近似信息选取工作集训练模糊支持向量机的算法。实验表明,两种算法都能实现模糊支持向量机的快速训练。两种算法相比,第二种算法的训练速度更快,训练样本集规模越大,效果越明显。
【关键词】:支持向量机 文本分类 兼类分类 增量学习 超球
【学位授予单位】:大连理工大学
【学位级别】:博士
【学位授予年份】:2008
【分类号】:TP301.6
【目录】:
  • 摘要4-6
  • Abstract6-12
  • 1 绪论12-26
  • 1.1 研究的背景和意义12-13
  • 1.2 自动文本分类技术13-19
  • 1.2.1 文本预处理14-15
  • 1.2.2 文本表示15-16
  • 1.2.3 文本特征提取16-17
  • 1.2.4 常用的文本分类算法17-18
  • 1.2.5 文本分类性能评估18-19
  • 1.3 支持向量机在文本分类中的应用19-24
  • 1.3.1 支持向量机的特点和优势19-20
  • 1.3.2 支持向量机在文本分类中的应用研究现状20-22
  • 1.3.3 支持向量机在文本分类应用中存在的主要问题22-24
  • 1.4 论文研究内容和全文组织结构24-26
  • 1.4.1 论文研究内容24
  • 1.4.2 论文组织结构24-26
  • 2 支持向量机26-47
  • 2.1 统计学习理论26-29
  • 2.1.1 经验风险最小化26-27
  • 2.1.2 模型复杂度和推广能力27-28
  • 2.1.3 VC维28
  • 2.1.4 结构风险最小化原理28-29
  • 2.2 支持向量机基本原理29-30
  • 2.3 支持向量机数学模型30-35
  • 2.3.1 线性可分支持向量机30-31
  • 2.3.2 线性不可分支持向量机31-32
  • 2.3.3 非线性可分支持向量机32-34
  • 2.3.4 支持向量机34-35
  • 2.4 常用支持向量机训练算法35-37
  • 2.4.1 chunking方法36
  • 2.4.2 分解算法36
  • 2.4.3 序列最小优化算法36-37
  • 2.5 各种变形支持向量机算法37-40
  • 2.5.1 C-SVM算法及其变形算法37-38
  • 2.5.2 ν-SVM算法及其变形算法38-39
  • 2.5.3 One-class SVM算法39
  • 2.5.4 WSVM算法39-40
  • 2.5.5 LS-SVM算法40
  • 2.6 支持向量机多类分类算法40-42
  • 2.6.1 1-a-r方法40-41
  • 2.6.2 1-a-1方法41-42
  • 2.6.3 DAGSVM方法42
  • 2.7 支持向量机增量学习算法42-46
  • 2.7.1 单支持向量机样本增量学习算法42-45
  • 2.7.2 多支持向量机样本增量学习算法45
  • 2.7.3 支持向量机类增量学习算法45-46
  • 2.8 本章小结46-47
  • 3 模糊支持向量机快速训练算法研究47-65
  • 3.1 引言47-49
  • 3.2 模糊支持向量机49-50
  • 3.3 利用SMO算法训练模糊支持向量机50-63
  • 3.3.1 停机准则50-52
  • 3.3.2 分解算法52-53
  • 3.3.3 SMO算法53-56
  • 3.3.4 利用最大违反对选择工作集的模糊支持向量机快速训练算法56-57
  • 3.3.5 利用二阶信息选择工作集的模糊支持向量机快速训练算法57-60
  • 3.3.6 实验结果及分析60-63
  • 3.4 本章小结63-65
  • 4 支持向量机快速分类算法研究65-74
  • 4.1 引言65-66
  • 4.2 支持向量集合及其缩减方法66-68
  • 4.3 一种改进的快速分类算法68-73
  • 4.3.1 算法描述68-71
  • 4.3.2 算法性能分析71
  • 4.3.3 实验结果及分析71-73
  • 4.4 本章小结73-74
  • 5 支持向量机兼类分类算法研究74-89
  • 5.1 引言74-75
  • 5.2 基于1-a-1方法的兼类分类算法75-77
  • 5.2.1 算法思想75
  • 5.2.2 算法描述75-76
  • 5.2.3 算法性能分析76-77
  • 5.3 基于1-a-r方法的兼类分类算法77-79
  • 5.3.1 样本和类加权支持向量机77-78
  • 5.3.2 算法思想78
  • 5.3.3 算法描述78-79
  • 5.3.4 算法性能分析79
  • 5.4 超球支持向量机兼类分类算法79-83
  • 5.4.1 超球支持向量机80-81
  • 5.4.2 算法思想81-82
  • 5.4.3 算法描述82-83
  • 5.4.4 算法性能分析83
  • 5.5 兼类分类评价指标83-84
  • 5.6 实验结果及分析84-88
  • 5.7 本章小结88-89
  • 6 支持向量机增量学习算法研究89-107
  • 6.1 引言89-90
  • 6.2 加权类增量学习算法90-95
  • 6.2.1 类加权支持向量机90-91
  • 6.2.2 算法描述91-92
  • 6.2.3 算法性能分析92
  • 6.2.4 实验结果及分析92-95
  • 6.3 超球支持向量机类增量学习算法95-100
  • 6.3.1 算法描述95-97
  • 6.3.2 算法性能分析97
  • 6.3.3 实验结果及分析97-100
  • 6.4 超球支持向量机兼类样本增量学习算法100-102
  • 6.4.1 算法描述100
  • 6.4.2 算法性能分析100-101
  • 6.4.3 实验结果及分析101-102
  • 6.5 超球支持向量机兼类类增量学习算法102-105
  • 6.5.1 算法描述103
  • 6.5.2 算法性能分析103
  • 6.5.3 实验结果及分析103-105
  • 6.6 本章小结105-107
  • 7 总结与展望107-110
  • 参考文献110-121
  • 攻读博士学位期间发表学术论文情况121-123
  • 创新点摘要123-124
  • 致谢124-125

【引证文献】
中国期刊全文数据库 前2条
1 刘海松;吴杰长;陈国钧;;克隆选择优化的SVM模拟电路故障诊断方法[J];电子测量与仪器学报;2010年12期
2 胡婕茹;杨小平;黄都培;;从百度百科挖掘领域知识相关度[J];广西师范大学学报(自然科学版);2011年04期
中国硕士学位论文全文数据库 前10条
1 汪政;基于支持向量机的改进的密度聚类算法研究[D];辽宁工程技术大学;2010年
2 谢明;昆虫图像语义标注技术的研究[D];内蒙古师范大学;2011年
3 曹灿;支持向量机预测在我国城镇失业率研究中的实证分析[D];西南交通大学;2011年
4 田鑫;变电站事故分析系统的实现及变压器故障识别新方法的研究[D];华北电力大学;2011年
5 杨保国;基于关键词的文本流分类技术研究[D];西北农林科技大学;2011年
6 米少华;基于机器学习的microRNA基因预测[D];河北工业大学;2011年
7 刘晓红;基于支持向量机和K近邻的联合分类研究[D];哈尔滨工程大学;2011年
8 王卓;面向文本分类的改进K近邻的支持向量机算法研究[D];辽宁工程技术大学;2011年
9 杨选选;基于概念图和语义角色的多领域信息抽取系统研究[D];西北大学;2010年
10 郭守团;基于支持向量机的组合核函数及模糊系统辩识研究[D];西南交通大学;2010年
【参考文献】
中国期刊全文数据库 前10条
1 李凯,黄厚宽;支持向量机增量学习算法研究[J];北方交通大学学报;2003年05期
2 王玲;穆志纯;郭辉;;一种基于聚类的支持向量机增量学习算法[J];北京科技大学学报;2007年08期
3 赵晖;荣莉莉;;一种支持向量集合的精简算法[J];大连理工大学学报;2006年05期
4 董春曦,杨绍全,饶鲜,汤建龙;支持向量机推广能力估计方法比较[J];电路与系统学报;2004年04期
5 王守觉,曲延锋,李卫军,覃鸿;基于仿生模式识别与传统模式识别的人脸识别效果比较研究[J];电子学报;2004年07期
6 李忠伟,张健沛,杨静;基于支持向量机的增量学习算法研究[J];哈尔滨工程大学学报;2005年05期
7 杨静;张健沛;刘大昕;;基于多支持向量机分类器的增量学习算法研究[J];哈尔滨工程大学学报;2006年01期
8 王欢良,韩纪庆,张磊;基于支持向量机的变异语音分类研究[J];哈尔滨工业大学学报;2003年04期
9 毛建洋;黄道;;一种新的支持向量机增量算法[J];华东理工大学学报(自然科学版);2006年08期
10 刘向东,陈兆乾;一种快速支持向量机分类算法的研究[J];计算机研究与发展;2004年08期
【共引文献】
中国期刊全文数据库 前10条
1 王东霞;张楠;路晓丽;;基于育种算法的SVM参数优化[J];安徽大学学报(自然科学版);2009年04期
2 陶秀凤,唐诗忠,周鸣争;基于支持向量机的软测量模型及应用[J];安徽工程科技学院学报(自然科学版);2004年02期
3 时雷;虎晓红;席磊;段其国;;集成学习技术在农业中的应用[J];安徽农业科学;2008年26期
4 区卫民;谭泗桥;袁哲明;柏连阳;熊洁仪;;SVR-KNN法用于除草剂QSAR研究[J];安徽农业科学;2008年35期
5 时雷;席磊;虎晓红;段其国;;基于支持向量机的农业数据分类研究[J];安徽农业科学;2009年05期
6 许高程;张文君;王卫红;;支持向量机技术在遥感影像滑坡体提取中的应用[J];安徽农业科学;2009年06期
7 韩勇鹏;;SVM方法及其在乳制品分类问题上的应用[J];安徽农业科学;2009年08期
8 程伟;张燕平;赵姝;;支持向量机在粮食产量预测中的应用[J];安徽农业科学;2009年08期
9 武素华;;基于最小二乘支持向量机的土壤含水量检测的研究与分析[J];安徽农业科学;2009年09期
10 时雷;虎晓红;席磊;;基于Naive Bayes算法的大豆病害诊断研究[J];安徽农业科学;2009年11期
中国重要会议论文全文数据库 前10条
1 ;An effective procedure exploiting unlabeled data to build monitoring system[A];中国科学院地质与地球物理研究所第11届(2011年度)学术年会论文集(下)[C];2012年
2 宋海鹰;桂卫华;阳春华;;基于核偏最小二乘的简约最小二乘支持向量机及其应用研究[A];第二十六届中国控制会议论文集[C];2007年
3 宋海鹰;桂卫华;阳春华;;基于最小二乘支持向量机的Hammerstein-Wiener模型辨识[A];第二十六届中国控制会议论文集[C];2007年
4 ;Inverse System Control of Nonlinear Systems Using LS-SVM[A];第二十六届中国控制会议论文集[C];2007年
5 ;A Novel Kernel PCA Support Vector Machine Algorithm with Feature Transition Function[A];第二十六届中国控制会议论文集[C];2007年
6 ;A Novel Proximal Support Vector Machine and Its Application in Radar Target Recognition[A];第二十六届中国控制会议论文集[C];2007年
7 ;A CDMA Signal Receiver Based on LS-SVM[A];第二十六届中国控制会议论文集[C];2007年
8 周绮凤;林成德;罗林开;彭洪;;一种基于黎曼度量的训练样本类不平衡SVM分类方法研究[A];第二十六届中国控制会议论文集[C];2007年
9 顾小军;杨世锡;钱苏翔;;基于支持向量机的旋转机械多类故障识别研究[A];第二十六届中国控制会议论文集[C];2007年
10 吕蓬;柳亦兵;马强;魏于凡;;支持向量机在齿轮智能故障诊断中的应用研究[A];第二十六届中国控制会议论文集[C];2007年
中国博士学位论文全文数据库 前10条
1 赵莹;半监督支持向量机学习算法研究[D];哈尔滨工程大学;2010年
2 于化龙;基于DNA微阵列数据的癌症分类技术研究[D];哈尔滨工程大学;2010年
3 母丽华;煤矿安全预警系统的方法研究[D];哈尔滨工程大学;2010年
4 任桢;图像分类任务的关键技术研究[D];哈尔滨工程大学;2010年
5 殷志伟;基于统计学习理论的分类方法研究[D];哈尔滨工程大学;2009年
6 朱广平;混响干扰中的信号检测技术研究[D];哈尔滨工程大学;2009年
7 孔凡芝;引线键合视觉检测关键技术研究[D];哈尔滨工程大学;2009年
8 杨宁;计算机辅助卷烟配方设计关键技术研究[D];中国海洋大学;2010年
9 任广波;基于半监督学习的遥感影像分类技术研究[D];中国海洋大学;2010年
10 郑大腾;柔性坐标测量机空间误差模型及最佳测量区研究[D];合肥工业大学;2010年
中国硕士学位论文全文数据库 前10条
1 曾传华;基于颜色和纹理特征的竹条分级方法研究[D];华中农业大学;2010年
2 展慧;基于多源信息融合技术的板栗分级检测方法研究[D];华中农业大学;2010年
3 杜二玲;拟概率空间上等均值噪声下统计学习理论的理论基础[D];河北大学;2007年
4 朱杰;一种基于聚类的支持向量机反问题求解算法[D];河北大学;2007年
5 王丽敬;地理案例的空间相似性计算[D];山东科技大学;2010年
6 李金华;基于SVM的多类文本分类研究[D];山东科技大学;2010年
7 田文娟;基于支持向量机的人民币序列号识别方法的研究[D];山东科技大学;2010年
8 吕万里;中文文本分类技术研究[D];山东科技大学;2010年
9 孟培培;基于3S的土地督察信息系统研究[D];山东科技大学;2010年
10 朱耿峰;支持向量机在冲击地压预测模型中的应用研究[D];山东科技大学;2010年
【同被引文献】
中国期刊全文数据库 前10条
1 周宏宇;张政;;中文分词技术综述[J];安阳师范学院学报;2010年02期
2 王惠明;史萍;;图像纹理特征的提取方法[J];中国传媒大学学报(自然科学版);2006年01期
3 张素香;李蕾;谭咏梅;;特定领域下关系模板的研究[J];北京邮电大学学报;2006年05期
4 宋芳;;基于GA-SVM模型的福建省城镇登记失业率预测[J];科技和产业;2009年09期
5 孙红春;谢里阳;邢海涛;;基于混合特征和支持向量机的抽油杆缺陷识别[J];东北大学学报(自然科学版);2009年02期
6 沈凤龙;毕娟;;基于BP神经网络分类器的多目标识别方法研究[J];辽东学院学报(自然科学版);2008年04期
7 于洪波;;中文分词技术研究[J];东莞理工学院学报;2010年05期
8 王增平,高中德,张举,李海英,王铁强,柳焯;模糊理论在变压器保护中的应用[J];电力系统自动化;1998年02期
9 黄树帮,叶留金,袁宇波,陈泾生,周剑,李涛;电网继电保护及故障信息处理主站系统的设计和实现[J];电力系统自动化;2004年16期
10 杨淑英;赵凯;;基于FTA法的变压器故障分析[J];电力系统及其自动化学报;2007年03期
中国重要会议论文全文数据库 前1条
1 谢秋玲;袁震东;;基于支持向量机的心电图分类方法[A];2004中国控制与决策学术年会论文集[C];2004年
中国博士学位论文全文数据库 前10条
1 徐耀群;混沌神经网络研究及应用[D];哈尔滨工程大学;2002年
2 刘广利;基于支持向量机的经济预警方法研究[D];中国农业大学;2003年
3 张蕾;概念结构及其应用[D];西北工业大学;2001年
4 张莉;支撑矢量机与核方法研究[D];西安电子科技大学;2002年
5 罗小刚;心电信号处理和特征信息提取方法的研究及心电工作站的研制[D];重庆大学;2003年
6 朱凌云;移动心电监护系统ECG信号的智能检测与分析方法研究[D];重庆大学;2003年
7 叶文宇;心电自动诊断技术的研究[D];天津大学;2003年
8 王建会;中文信息处理中若干关键技术的研究[D];复旦大学;2004年
9 姜波;灰色系统与神经网络分析方法及其应用研究[D];华中科技大学;2004年
10 杨立;基于领域知识的知识发现研究[D];中国科学院研究生院(软件研究所);2005年
中国硕士学位论文全文数据库 前10条
1 殷风景;面向网络舆情监控的热点话题发现技术研究[D];国防科学技术大学;2010年
2 王亮;动态心电图自动分析技术的研究[D];燕山大学;2001年
3 刘燕;储粮昆虫图像模式识别研究[D];成都理工大学;2002年
4 王林泓;动态心电信号分析系统的研究[D];重庆大学;2002年
5 符新伟;基于高阶统计量和小波分析的特征提取[D];西北工业大学;2004年
6 田娜;基于数据挖掘技术的目标识别分类研究[D];西北工业大学;2004年
7 王渊;220kV变电站继电保护故障信息处理系统的研究[D];广西大学;2004年
8 李志军;分布式结构与组件技术的应用研究[D];南京理工大学;2004年
9 唐文广;基于模糊样本的统计学习理论关键定理[D];河北大学;2004年
10 白云超;可能性空间上统计学习理论的关键定理[D];河北大学;2004年
【二级引证文献】
中国期刊全文数据库 前6条
1 杨振军;吴溪;周世海;刘艳超;;基于SVM的某型坦克炮反后座装置故障诊断研究[J];电子测量技术;2011年10期
2 沈舒;吴聪;李勃;陈启美;;基于优化SVM的高速公路交通事件检测[J];电子测量技术;2012年05期
3 伞冶;石慧姝;郭珂;;核方法及其在模拟电路故障诊断中的研究进展[J];电子测量技术;2013年01期
4 赵永安;王国权;;基于核主元分析法的组合核函数改进算法[J];信息技术;2012年08期
5 刘冲;赵海滨;李春胜;王宏;;基于频带能量归一化和SVM-RFE的ECoG分类[J];仪器仪表学报;2011年03期
6 王安娜;李云路;赵锋云;史成龙;;一种新的半监督直推式支持向量机分类算法[J];仪器仪表学报;2011年07期
中国硕士学位论文全文数据库 前10条
1 陈琨;基于知识图的领域本体构建方法研究[D];西北大学;2011年
2 瞿娜娜;基于组合核函数支持向量机研究及应用[D];华南理工大学;2011年
3 李龙;基于半径间隔界的支持向量机方法研究[D];华南理工大学;2012年
4 吴正苗;基于信息融合和极限学习机的模拟电路故障诊断[D];湖南大学;2011年
5 刘琰;支持向量机核函数的研究[D];西安电子科技大学;2012年
6 李英军;Deep Web自适应跨领域查询策略研究[D];东北大学;2011年
7 王宁;基于分层贝叶斯分析的城镇登记失业率估计方法[D];天津财经大学;2012年
8 沈淑颖;设计知识检索在新产品开发中的应用研究[D];沈阳工业大学;2013年
9 马翔楠;模拟电路性能退化型故障诊断方法研究[D];浙江大学;2013年
10 祖丽湖玛尔·马木提江;维吾尔语区分性关键词提取算法研究及其性能分析[D];新疆大学;2013年
【二级参考文献】
中国期刊全文数据库 前10条
1 李凯,黄厚宽;支持向量机增量学习算法研究[J];北方交通大学学报;2003年05期
2 黄修武,杨静宇,郭跃飞;基于隶属度的人脸图像特征抽取和识别[J];电子学报;1998年05期
3 王守觉,李兆洲,陈向东,王柏南;通用神经网络硬件中神经元基本数学模型的讨论[J];电子学报;2001年05期
4 周伟达,张莉,焦李成;支撑矢量机推广能力分析[J];电子学报;2001年05期
5 王守觉,王柏南;人工神经网络的多维空间几何分析及其理论[J];电子学报;2002年01期
6 王守觉;仿生模式识别(拓扑模式识别)——一种模式识别新模型的理论与应用[J];电子学报;2002年10期
7 王守觉,徐健,王宪保,覃鸿;基于仿生模式识别的多镜头人脸身份确认系统研究[J];电子学报;2003年01期
8 魏新,冯兴杰,刘山;基于支持向量机的多元文本分类研究[J];海军工程大学学报;2004年05期
9 田盛丰,黄厚宽;基于支持向量机的数据库学习算法[J];计算机研究与发展;2000年01期
10 李晓黎,史忠植;用数据采掘方法获取汉语词性标注规则[J];计算机研究与发展;2000年12期
中国博士学位论文全文数据库 前1条
1 张莉;支撑矢量机与核方法研究[D];西安电子科技大学;2002年
【相似文献】
中国期刊全文数据库 前10条
1 王彦明;奉永桃;奉国和;;1999-2008年我国SVM文本分类文献计量分析[J];图书情报工作;2009年20期
2 张玉峰;何超;;基于潜在语义分析和HS-SVM的文本分类模型研究[J];情报理论与实践;2010年07期
3 吴飞,庄越挺,潘云鹤;基于增量学习支持向量机的音频例子识别与检索[J];计算机研究与发展;2003年07期
4 李祥纳;艾青;秦玉平;刘卫江;;支持向量机增量学习算法综述[J];渤海大学学报(自然科学版);2007年02期
5 王强;贾银山;;支持向量机及其在邮件过滤中的应用[J];微处理机;2010年03期
6 李忠伟,张健沛,杨静;基于支持向量机的增量学习算法研究[J];哈尔滨工程大学学报;2005年05期
7 卢祖友;桑永胜;;基于球向量机的中文文本分类[J];计算机工程与科学;2008年12期
8 郝海涛;;基于向量机的文本分类中词典结构研究[J];福建电脑;2009年03期
9 吴守用;;基于SVM的哈萨克语文本分类初探[J];现代计算机(专业版);2010年04期
10 李凯,黄厚宽;支持向量机增量学习算法研究[J];北方交通大学学报;2003年05期
中国重要会议论文全文数据库 前10条
1 朱慕华;朱靖波;陈文亮;;面向支持向量机的降维方法比较分析[A];第二届全国信息检索与内容安全学术会议(NCIRCS-2005)论文集[C];2005年
2 卢卫雄;;一种基于支持向量机的多国语言文本分类平台[A];第十六届全国青年通信学术会议论文集(上)[C];2011年
3 曹菲菲;朱慕华;朱靖波;;基于抽样的两阶段支持向量机训练算法[A];第三届学生计算语言学研讨会论文集[C];2006年
4 牛强;王志晓;陈岱;夏士雄;;基于支持向量机的Web文本分类方法[A];2006年全国开放式分布与并行计算学术会议论文集(一)[C];2006年
5 张健沛;李忠伟;杨静;;一种基于多支持向量机的并行增量学习方法(英文)[A];第二十二届中国数据库学术会议论文集(技术报告篇)[C];2005年
6 刘晓勇;;基于GA与SVM融合的网页分类算法[A];中国运筹学会模糊信息与模糊工程分会第五届学术年会论文集[C];2010年
7 栾江;唐常杰;黄晓冬;阴小雄;廖勇;;一种增量式支持向量机文本分类模型[A];第二十届全国数据库学术会议论文集(技术报告篇)[C];2003年
8 赵莹;万福永;;支持向量机的增量学习算法及其在多类分类问题中的应用[A];第25届中国控制会议论文集(下册)[C];2006年
9 陈克利;宗成庆;王霞;;基于大规模真实文本的平衡语料分析与文本分类方法[A];语言计算与基于内容的文本处理——全国第七届计算语言学联合学术会议论文集[C];2003年
10 杜长海;吉根林;;模糊聚类的最大树法在文本分类中的应用研究[A];第二十二届中国数据库学术会议论文集(研究报告篇)[C];2005年
中国重要报纸全文数据库 前10条
1 中国科学院计算技术研究所 王 斌;内容为王[N];计算机世界;2004年
2 课题主持人 李心丹 课题协调人 上海证券交易所 施东晖 傅浩 课题研究员 宋素荣 查晓磊 宾红辉 张许宏 郭静静 黄隽 南京大学工程管理学院;内幕交易与市场操纵的行为动机与判别监管研究[N];中国证券报;2007年
3 李水根;计算机详解配伍与药效关系[N];健康报;2005年
4 清华大学 苏光大;非接触式人脸识别技术[N];计算机世界;2006年
5 YMG记者 李仁 通讯员 曲华明 孙运智;我市九项目进入省“盘子”[N];烟台日报;2010年
6 高利华;传承陆游风骨 推进国际交流[N];人民日报海外版;2005年
7 上海大学理学院教授、副院长 陆文聪;酷爱化学 孜孜以求[N];中国化工报;2006年
8 ;选择合适的数据挖掘算法[N];计算机世界;2007年
9 记者 耿挺;蛋白质功能算出来[N];上海科技报;2007年
10 周颖;王米渠与中医心理学[N];中国中医药报;2006年
中国博士学位论文全文数据库 前10条
1 秦玉平;基于支持向量机的文本分类算法研究[D];大连理工大学;2008年
2 平源;基于支持向量机的聚类及文本分类研究[D];北京邮电大学;2012年
3 李忠伟;支持向量机学习算法研究[D];哈尔滨工程大学;2006年
4 王洪波;单分类支持向量机的学习方法研究[D];浙江大学;2012年
5 杜小芳;基于CPFR的农产品采购模型研究[D];华中科技大学;2005年
6 刘育明;动态过程数据的多变量统计监控方法研究[D];浙江大学;2006年
7 栾锋;支持向量机(SVM)和径向基神经网络(RBFNN)方法在化学、环境化学和药物化学中的应用研究[D];兰州大学;2006年
8 孙薇;市场条件下抽水蓄能电站效益综合评价及运营模式研究[D];华北电力大学(河北);2007年
9 常群;支持向量机的核方法及其模型选择[D];哈尔滨工业大学;2007年
10 朱燕飞;锌钡白回转窑煅烧过程智能建模研究[D];华南理工大学;2005年
中国硕士学位论文全文数据库 前10条
1 高洁;增量式中文文本分类算法研究与实现[D];南京师范大学;2004年
2 周振龙;支持向量机理论在文本分类中的应用研究[D];兰州理工大学;2007年
3 张滨;中文文档分类技术研究[D];武汉大学;2004年
4 崔彩霞;基于支持向量机的文本分类方法研究[D];山西大学;2005年
5 牛肖潇;支持向量机及用于文本分类的研究[D];武汉理工大学;2006年
6 李强;基于支持向量机的文本分类方法研究[D];西安科技大学;2009年
7 徐华;基于支持向量机的Web文本挖掘研究[D];哈尔滨工程大学;2004年
8 于海龙;面向PU问题的文本分类的研究与实现[D];吉林大学;2005年
9 马忠宝;基于支持向量机的中文文本分类系统研究[D];武汉理工大学;2006年
10 杨丽华;基于内容的垃圾邮件过滤技术研究[D];西南交通大学;2006年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026