基于深度学习的农业信息分类方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 文本分类 | 第11页 |
| 1.2.2 深度学习 | 第11-13页 |
| 1.2.3 农业信息分类 | 第13页 |
| 1.3 主要研究内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 第二章 文本分类关键技术 | 第15-26页 |
| 2.1 文本预处理 | 第15-21页 |
| 2.1.1 文本分词 | 第15-17页 |
| 2.1.2 去停顿词 | 第17页 |
| 2.1.3 降维技术 | 第17-19页 |
| 2.1.4 文本向量化表示 | 第19-21页 |
| 2.2 文本分类算法 | 第21-24页 |
| 2.2.1 决策树算法 | 第21-22页 |
| 2.2.2 朴素贝叶斯算法 | 第22页 |
| 2.2.3 KNN算法 | 第22页 |
| 2.2.4 SVM算法 | 第22-23页 |
| 2.2.5 深度学习算法 | 第23-24页 |
| 2.3 分类算法的评估 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 农业信息分类的实现 | 第26-44页 |
| 3.1 农业信息数据集 | 第27-28页 |
| 3.2 农业信息预处理 | 第28-31页 |
| 3.2.1 分词 | 第29-30页 |
| 3.2.2 去停顿词 | 第30-31页 |
| 3.2.3 生成词向量 | 第31页 |
| 3.3 文本分类实验 | 第31-41页 |
| 3.3.1 决策树方法文本分类 | 第31-32页 |
| 3.3.2 贝叶斯方法文本分类 | 第32-34页 |
| 3.3.3 现有分类器的分类对比 | 第34页 |
| 3.3.4 利用CNN模型进行文本分类 | 第34-41页 |
| 3.4 结果分析 | 第41-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 卷积神经网络的优化 | 第44-49页 |
| 4.1 基于不同激励函数的网络模型 | 第44页 |
| 4.2 增加减少网络模块的影响 | 第44-46页 |
| 4.3 卷积核个数的影响 | 第46页 |
| 4.4 实验及结果分析 | 第46-48页 |
| 4.4.1 更换激励函数实验 | 第46-47页 |
| 4.4.2 调整网络结构实验 | 第47页 |
| 4.4.3 调整卷积核个数实验 | 第47-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 总结与展望 | 第49-51页 |
| 5.1 总结 | 第49页 |
| 5.2 展望 | 第49-51页 |
| 参考文献 | 第51-54页 |
| 致谢 | 第54-55页 |
| 作者简介 | 第55页 |
