基于改進PCA-SOM神經(jīng)網(wǎng)絡的文本分類研究.pdf

1、在信息過載的時代，通過Internet快速、準確地獲取有效信息已成為目前研究的焦點問題之一。文本分類是實現(xiàn)信息檢索的重要手段，被廣泛應用于文本過濾、信息檢索、自然語言處理、垃圾郵件分類與探測等領域。
　　本文在深入研究目前文本分類算法技術的基礎上，針對文本數(shù)據(jù)非線性的特點和傳統(tǒng)的特征降維算法、分類算法的不足，提出基于主成分分析白化的降維算法和自組織映射神經(jīng)網(wǎng)絡文本分類算法。
　　白化主成分分析(White-PCA)是一種對多

2、元數(shù)據(jù)進行統(tǒng)計分析的技術，在處理高維非線性問題中有著極大優(yōu)勢，而且相對于特征選擇能夠提供更多的信息，自組織映射(SOM)神經(jīng)網(wǎng)絡算法能進行大規(guī)模分布和并行數(shù)據(jù)信息處理，此外，具有學習能力強、收斂速度快、能實現(xiàn)全局最優(yōu)和自組織聚類的功能，但是SOM存在一些局限，將引入覆蓋方法、良心算法和核方法對SOM進行優(yōu)化改進。
　　本文結合White-PCA特征降維和改進SOM神經(jīng)網(wǎng)絡分類算法各自具有的優(yōu)勢，構建文本分類檢索模型。首先針對文本數(shù)

3、據(jù)的特點，采用基于白化主成分分析(White-PCA)算法進行特征提取和降維，可以對特征空間實施降噪、降維和去相關性，完成分類前的準備工作;然后利用改進后的SOM神經(jīng)網(wǎng)絡進行文本分類，該算法有很強的學習、聯(lián)想、容錯能力和魯棒性;最后，對基于Naive Bayes文本分類算法、基于KNN的文本分類算法、BP網(wǎng)絡及RBF網(wǎng)絡進行了實驗對比。通過實驗對比，本文算法較之基于NaiveBayes和基于KNN的文本分類算法，有更高的分類精度，對比B