基于深度学习的林业信息文本分类算法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-14页 |
| 1.1 研究目的及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11页 |
| 1.3 研究内容 | 第11-12页 |
| 1.4 论文内容安排 | 第12-14页 |
| 2 林业信息文本分类基本原理 | 第14-21页 |
| 2.1 林业信息文本特征 | 第14-15页 |
| 2.2 林业信息文本预处理 | 第15页 |
| 2.3 林业信息文本表示 | 第15-17页 |
| 2.3.1 布尔模型 | 第16页 |
| 2.3.2 概率模型 | 第16页 |
| 2.3.3 向量空间模型 | 第16-17页 |
| 2.4 林业信息文本特征选择 | 第17-20页 |
| 2.4.1 文档频率 | 第17-18页 |
| 2.4.2 信息增益 | 第18页 |
| 2.4.3 期望交叉熵 | 第18页 |
| 2.4.4 互信息 | 第18页 |
| 2.4.5 x~2估计 | 第18-19页 |
| 2.4.6 主成分分析 | 第19-20页 |
| 2.5 本章小结 | 第20-21页 |
| 3 林业信息文本分类算法 | 第21-40页 |
| 3.1 BP神经网络算法 | 第21-23页 |
| 3.2 SVM支持向量机算法 | 第23-26页 |
| 3.3 DE-ELM模型 | 第26-33页 |
| 3.3.1 DE-ELM的基本概念 | 第26-27页 |
| 3.3.2 ELM算法 | 第27-29页 |
| 3.3.3 DE算法原理 | 第29-31页 |
| 3.3.4 DE-ELM分类模型 | 第31-33页 |
| 3.4 深度学习算法 | 第33-39页 |
| 3.4.1 DBN预训练 | 第34-36页 |
| 3.4.2 网络调优 | 第36-39页 |
| 3.5 本章小结 | 第39-40页 |
| 4 实验结果及系统仿真 | 第40-53页 |
| 4.1 林业信息样本 | 第40-41页 |
| 4.2 建立DE-ELM模型 | 第41-44页 |
| 4.3 建立深度学习模型 | 第44-45页 |
| 4.4 对比实验 | 第45-48页 |
| 4.5 系统仿真 | 第48-52页 |
| 4.5.1 分词 | 第48-49页 |
| 4.5.2 文本表示 | 第49-50页 |
| 4.5.3 训练 | 第50-51页 |
| 4.5.4 测试 | 第51-52页 |
| 4.6 本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 攻读学位期间发表的学术论文 | 第58-59页 |
| 致谢 | 第59-60页 |
