基于遗传算法的文本分类训练

第

卷2 0 0

9 年片 4期月

(【 MPUTER’) TECHN( I X ANI ) ( Y )DEVEI(IM ENT )

计算机技术与发展

V ( 1 ) 9 1 (. )4 Ap 2 0 r 09

基于 KN N算法的医药信息文本分类系统的研究许幸，启蕊张(东药学院医药信息工程学院，东广州 5 0 0 )广广 1 0 6摘要：针对目前医药信息文本分类领域的现状，计并实现了一种基于 K N算法的医药信息文本分类系统。该系统充设 N

分利用了向量空间模型在表示方法上的优势和快速 K NN算法的特点，并采用逆向最大匹配分词方法进行分词，有效提可

高医药信息分类的准确性和信息处理效率。此外，构建了一个医药信息数据集，据集包含 52医药类文本，中训该数 8篇其练文本 4 3, 3篇测试文本 19,在该数据集上对医药信息文本分类系统进行了测试，到了 7 .3 4篇并得 48%的 F值。实验证 明，系统可以较好地实现医药信息文本分类。该 关键词：医药信息；本分类；文向量空间模型； N K N算法中图分类号： 3 1 TP 9文献标识码： A文章编号：6 3—6 9 2 0 )4—0 0 17 2 X( 0 9 0 2 6—0 4

Re e

第

卷2 0 0

9 年片 4期月

(【 MPUTER’) TECHN( I X ANI ) ( Y )DEVEI(IM ENT )

计算机技术与发展

V ( 1 ) 9 1 (. )4 Ap 2 0 r 09

基于 KN N算法的医药信息文本分类系统的研究许幸，启蕊张(东药学院医药信息工程学院，东广州 5 0 0 )广广 1 0 6摘要：针对目前医药信息文本分类领域的现状，计并实现了一种基于 K N算法的医药信息文本分类系统。该系统充设 N

分利用了向量空间模型在表示方法上的优势和快速 K NN算法的特点，并采用逆向最大匹配分词方法进行分词，有效提可

高医药信息分类的准确性和信息处理效率。此外，构建了一个医药信息数据集，据集包含 52医药类文本，中训该数 8篇其练文本 4 3, 3篇测试文本 19,在该数据集上对医药信息文本分类系统进行了测试，到了 7 .3 4篇并得 48%的 F值。实验证 明，系统可以较好地实现医药信息文本分类。该 关键词：医药信息；本分类；文向量空间模型； N K N算法中图分类号： 3 1 TP 9文献标识码： A文章编号：6 3—6 9 2 0 )4—0 0 17 2 X( 0 9 0 2 6—0 4

Re e

Matlab写的函数优化遗传算法程序

function [BestPop,Trace]=fmaxga(FUN,LB,UB,eranum,popsize,pcross,pmutation,options)
% [BestPop,Trace]=fmaxga(FUN,LB,UB,eranum,popsize,pcross,pmutation)
% Finds a maximum of a function of several variables.
% fmaxga solves problems of the form:
% max F(X) subject to: LB <= X <= UB
% BestPop--------最优的群体即为最优的染色体群
% Trace-----------最佳染色体所对应的目标函数值
% FUN------------目标函数
% LB--------------自变量下限
% UB--------------自变量上限
% eranum----------种群的代数,取100--1000(默认1000)
% popsize---------每一代种群的规模；此可取50--100(默认50)
% pcross----

基于遗传算法的排课系统的研究

谷冰

（沈阳建筑大学 信息学院）

摘 要：排课问题是一个有约束的、多目标的组合优化问题，并且已经被证明为一个NP完全问题。本文主要基于遗传算法，结合排课系统的一些具体需求，研究并实现一个排课系统。 【关键词】排课问题；遗传算法；组合优化 一、背景

近年来随着大学扩招，大学生人数的增加，每学期的排课问题一直是学校一项巨大的工作任务，使用人工手动排课对于这样一个庞大的课程体系来说简直是天方夜谭。其中，最突出的问题就是班级多、课程多、教师少、教室少，从而导致传统的手工排课方法，由于工作量巨大、效率低下，容易出错已经不能满足需求；因此，研究计算机排课系统有重大的现实意义。

二、遗传算法

遗传算法（Genetic Algorithms，GA）是根据自然界的选择和进化原来发展起来的高度并行、随机、自适应的随机搜索算法。其模拟达尔文的适者生存原理，每个种群所面临的问题是寻找一种对复杂和变化着的环境最有利的适应方式。

遗传算法维持一个潜在的群体（染色体、变量），定义一个函数为：

tt

P(t)={ x1??,xn}

染色体通常形成是一串的数组，近年来基于实数编码的遗传算法也得到广泛的应用。每个解用其“适应值”进行评价其优劣程度。然

关于遗传算法的介绍和简单应用。

遗传算法

遗传算法（Genetic Algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，它最初由美国Michigan大学J.Holland教授于1975年首先提出来的，并出版了颇有影响的专著《Adaptation in Natural and Artificial Systems》，GA这个名称才逐渐为人所知，J.Holland教授所提出的GA通常为简单遗传算法（SGA）。

基本概念

遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。 对于一个求函数最大值的优化问题(求函

数最小值也类

基于MATLAB平台的遗传算法工具包

天津大学学报

第 3卷 4

第4期 2}1年 7月 ( 01 lI _ 1 2 1 0:

』) (URNAI OF lI lANJ N UN1 I VERS TY J

基于 MAT A平台的遗传算法工具包 L B刘勇 ,刘宝坤，李光泉(.津大学管理学院，津 3 0 7; .津犬学电气自动化及能源工程学院 .津 3 0 7 ) 1天天 30 2 2天天 0 0 2

摘要：分析遗传算法要素的基础上 .写了基于 Mal的遗传乒法工吴包 ( 在编 tb a GA T ob x该工具包具有运行稳定 . o lo )结拘是活，展方便的特点 .易与 M>lb的其他工扩井 -a t具包蛄告使用 .蛤出了 Ma a d b遣传算法工具包的三十成功应用襄删：采用遗传算法工 )

具包构造递阶遗传算法 .'于遗持算法的径向基神经网磐学习算法 . )饽算岳圪圮化 2基 3遗工过程操作条件 .说明 MaI t b遗饽算法工具包的稳定性和实用性 . a 关键词：传算法； alb递阶遗传算法；向基神经网络；化精馏遗 M t; a径催中围分类号； P 1 T 3l文献标识码： A文章编号 09—1 7 2 0 ) 40 9 5 4 52 (

上海交通大学硕士学位论文目录

目录

第一章绪论 (1)

1.1 研究背景和意义 (1)

1.2 多标签分类 (2)

1.3 国内外研究现状 (3)

1.4 论文的结构安排 (6)

第二章多标签文本分类相关技术 (7)

2.1 文本分类的定义及过程 (7)

2.1.1 文本分类的定义 (7)

2.1.2 文本分类的一般过程 (7)

2.1.3 多标签文本分类评估方法 (8)

2.2 文本分类的分类方法 (9)

2.2.1 决策树算法 (9)

2.2.2 Ricchio算法 (10)

2.2.3 KNN算法 (11)

2.2.4 神经网络算法 (12)

2.2.5 朴素贝叶斯算法 (13)

2.2.6 支持向量机 (14)

2.3 本章小结 (14)

第三章基于中文多标签分类的特征选择 (16)

3.1 文本特征选择 (16)

3.2 特征选择方法 (17)

3.2.1 过滤无意义信息 (17)

3.2.2 汉语文本自动分词 (17)

3.2.3 汉语文本粗降维 (18)

3.2.4 文本表示模型 (18)

3.2.5 常用特征选择方法 (19)

3.3 改进的特征选择方法 (20)

3.3.1 强类别纹理挖掘算法 (20)

3.3.2 常用权重计算方法 (21)

III

万方数据

上海交通大学硕士学位论文目录

基于遗传算法和蚂蚁算法求解函数优化问题

第!"卷第#期$%%&年#月

!"’()*+,-(./013,++361*738:+3+11*3+<31+<1245944;

工学版"浙!江!大!学!学!报!

=(->!"?(>#

@,*>$%%&

基于遗传算法和蚂蚁算法求解函数优化问题

杨剑峰

"浙江大学电气工程学院$浙江杭州##"%%$&

摘!要#针对遗传算法求解精度低以及蚂蚁算法求解速度慢的问题$提出一种基于遗传算法和蚂蚁算法的混合算法>该混合算法利用了遗传算法快速随机的全局搜索能力的优点$设计了编码与适应度函数$进行了种群生成与染色体的选择$并通过设定交叉算子和变异算子$生成了信息素分布>该混合算法利用了蚂蚁算法正反馈以及具有分布式并行全局搜索能力的优点$通过确定吸引强度的初始值$建立了强度更新的模型$从而求得精确解>并将该算法应用于求解函数优化问题>结果表明$该混合算法与遗传算法和蚂蚁算法相比$收敛速度快$寻优性能好>关键词#遗传算法&蚂蚁算法&函数优化

#中图分类号#JK"#!!!!!文献标识码#Q!!

基于遗传算法的BP神经网络的应用

----非线性函数拟合

摘要 人工神经网络在诸多领域得到应用如信息工程、自动控制、电子技术、目标识别、数学建模、图像处理等领域，并且随着神经网络算啊发的不断改进以及其他新算法的结合，使其应用的领域越来越广。BP神经网络是目前神经网络领域研究最多应用最广的网络，但BP神经网络学习算法易陷入局部极小的缺陷，本文采用遗传算法来优化BP神经网络的性能。首先采用遗传算法来优化BP神经网络的权值和阈值，然后将这些优化值赋给网络得到优化的BP神经网络，最后用MATLAB仿真平台，对非线性函数的逼近拟合和极值寻优问题进行实验。数值仿真结果表明：经遗传算法优化的BP神经网络能有效地避免原始BP神经网络容易出现的局部极小的缺陷，且具有收敛速度快和精度高等优点。

关键词：BP神经网络 遗传算法 MATLAB 结构优化

Abstract— In recent years, artificial neural network gradually attention has been paid into the hot area of research in

基于libsvm的中文文本分类原型

支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，它在解决小样本 、非线性 及高维模式识别 中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小 原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度，Accuracy）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力（或称泛化能力）。SVM理论的学习，请参考jasper的博客 。

LIBSVM 是台湾大学林智仁(Chih-Jen Lin)博士等开发设计的一个操作简单、易于使用、快速有效的通用 SVM 软件包,可以解决分类问题(包括 C?SVC 、ν?SVC )， 回归问题(包括 ε ? SVR 、v? SVR ) 以及分布估计(one ? class ? SVM ) 等问题,提供了线性、多项式、径向基和 S 形函数四种常用的核函数供选择，可以有效地解决多类问题、交叉验证选择参数、对不平衡样本加权、多类问题的概率估计等。LIBSVM 是一个开源的软件包,。他