基于高斯混合模型林业信息文本分类的技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究目的及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 国外研究现状 | 第9-10页 |
| 1.2.2 国内研究现状 | 第10-11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14-20页 |
| 2.1 选择林业信息实验样本 | 第14页 |
| 2.2 林业信息文本预处理 | 第14-15页 |
| 2.3 林业信息文本表示 | 第15-16页 |
| 2.3.1 布尔模型 | 第15-16页 |
| 2.3.2 概率模型 | 第16页 |
| 2.3.3 向量空间模型 | 第16页 |
| 2.4 林业信息文本特征选择 | 第16-19页 |
| 2.4.1 文档频率 | 第17页 |
| 2.4.2 信息增益 | 第17页 |
| 2.4.3 期望交叉熵 | 第17页 |
| 2.4.4 互信息 | 第17-18页 |
| 2.4.5 χ~2估计 | 第18页 |
| 2.4.6 主成分分析 | 第18-19页 |
| 2.5 特征选择算法总结 | 第19页 |
| 2.6 本章小结 | 第19-20页 |
| 3 林业信息文本分类算法 | 第20-42页 |
| 3.1 BP神经网络算法 | 第20-23页 |
| 3.2 决策树算法 | 第23-25页 |
| 3.3 SVM算法 | 第25-27页 |
| 3.4 高斯混合模型算法 | 第27-39页 |
| 3.4.1 GMM的基本概念 | 第27-30页 |
| 3.4.2 EM算法 | 第30页 |
| 3.4.3 EM算法原理 | 第30-33页 |
| 3.4.4 GMM中的EM算法 | 第33-38页 |
| 3.4.5 参数初始化问题 | 第38页 |
| 3.4.6 K-means算法 | 第38-39页 |
| 3.5 基于修正加权高斯牛顿的神经网络算法 | 第39-41页 |
| 3.6 本章小结 | 第41-42页 |
| 4 实验结果及分析 | 第42-55页 |
| 4.1 林业信息样本 | 第42-43页 |
| 4.2 建立高斯混合模型 | 第43-46页 |
| 4.3 构造RW-GN算法分类器 | 第46-53页 |
| 4.4 实验结论 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 攻读学位期间发表的学术论文 | 第61-62页 |
| 致谢 | 第62-63页 |
