|
|
|
| 基于IA参数寻优组合核的SVM文本分类研究 |
| 段文影饶泓段隆振马海亮 |
| 南昌大学信息工程学院 |
|
|
|
|
摘要 支持向量机在解决非线性及高维模式识别中表现出许多特有的优势,被广泛应用在文本分类领域。但是其核函数及其参数的选择对分类效果具有很大的影响,单一核函数难以很好地解决文本分类问题。因此,本文选取了三个常用的核函数进行两两组合,利用加权组合核的形式来弥补单核自身特点可能带来的缺点,然后利用人工免疫算法(Immune algorithm,IA)对组合核进行参数寻优,以提高文本分类效果。实验分析证明,此方法有效。
|
|
| 关键词 ：
支持向量机,
文本分类,
组合核,
IA参数寻优
|
|
|
| 基金资助:国家自然科学基金资助项目(61262047)； 江西省教育厅科技基金资助项目(GJJ14141)； |
| [1] |
车小磊李向军沈华吴青松李子健唐丽君. 一种基于局部核校准的核评估标准[J]. 南昌大学学报（理科版）, 2018, 42(3): 300-. |
| [2] |
陈铭钧陶凌李富贵刘九畅. HHT在白细胞亚群分类算法中的应用[J]. 南昌大学学报（理科版）, 2018, 42(1): 72-. |
| [3] |
赖清衷卫声熊鹏文黄嘉诚任倩茹. 基于BP神经网络与多分类支持向量机的水质识别与分类[J]. 南昌大学学报（理科版）, 2016, 40(06): 563-. |
| [4] |
饶泓； 陈慧佳； 董晓睿. 基于三元矩阵的层次分析多分类模型[J]. 南昌大学学报（理科版）, 2015, 39(04): 347-. |
| [5] |
沈渊彬； 刘庆珍； 李友军； 苏申. 基于模糊组合权重的BA-SVM短期负荷预测[J]. 南昌大学学报（工科版）, 2015, 37(03): 300-. |
| [6] |
陆荣秀；杨辉；欧阳超明；朱璐闻； . 基于PCA-LS_SVM的镨\钕萃取过程元素组分含量预测[J]. 南昌大学学报（理科版）, 2013, 37(06): 589-. |
| [7] |
梁声灼；谢文修；李芒； . 一种改进的1-v-1 SVM多类分类算法[J]. 南昌大学学报（理科版）, 2013, 37(03): 287-. |
| [8] |
姜海燕； 杜民. 基于最小二乘支持向量机的纳米金免疫层析试条快速定量[J]. 南昌大学学报（工科版）, 2012, 34(03): 283-. |
| [9] |
林苏斌； 陈为. 基于支持向量机的热电偶高频磁场环境测温误差校正[J]. 南昌大学学报（工科版）, 2012, 34(02): 183-. |
| [10] |
徐敏； 袁建洲； 刘四新； 郭含. 基于支持向量机的短期风电功率预测[J]. 南昌大学学报（工科版）, 2012, 34(02): 201-. |
| [11] |
曾勍炜; 徐知海; 付爱英; 邓庚盛. 融合蚁群算法与支持向量机的网络流量预测[J]. 南昌大学学报（理科版）, 2011, 35(04): 1-. |
| [12] |
白似雪; 刘华斌. 基于页面分块模型的PageRank算法研究[J]. 南昌大学学报（工科版）, 2008, 30(02): 1-. |
| [13] |
. 南昌大学学报(理科版)2007年总目次 [J]. 南昌大学学报（理科版）, 2007, 31(06): 1-. |
| [14] |
富坤; 富成科; 汪友华; 杨晓光. 基于支持向量机对种群特征回归分析的自适应遗传算法[J]. 南昌大学学报（理科版）, 2007, 31(04): 1-. |
| [15] |
李文; 王炜立. 中文文本理解技术在法律案情文本分类中的应用[J]. 南昌大学学报（工科版）, 2007, 29(01): 1-. |
|
|
|
|
