导读:本文包含了分类器参数论文开题报告文献综述及选题提纲参考文献，主要关键词:朴素Bayes分类器,特征选择,TFIDF算法,N-gram模型
分类器参数论文文献综述
方秋莲,王培锦,隋阳,郑涵颖,吕春玥[1]（2019）在《朴素Bayes分类器文本特征向量的参数优化》一文中研究指出采用朴素Bayes算法建立中文文本自动分类器,并研究相关参数的选择问题,以实现中文文本的高效分类.首先在模型训练阶段,采用N-gram模型处理训练数据集提取特征向量;然后使用朴素Bayes算法建立文本分类器;最后在模型测试阶段,为提高分类准确率,使用词频-反文档频率算法对测试样本进行特征向量提取.实例分析结果表明,在提取训练集特征向量时,2-gram模型和4-gram模型的特征提取效果最佳;在选取特征向量长度时,长度为25 000的特征向量可使分类准确率出现最大增幅并保证较高准确率;在确定特征项词性方面,同时选取动词和名词可使分类器准确率达到最高,仅选取动词时准确率最低.(本文来源于《吉林大学学报(理学版)》期刊2019年06期）
吴慧玲,丁晓彬,贺广生,刘久富[2]（2019）在《判别类条件贝叶斯网络分类器的量子粒子群优化参数学习》一文中研究指出针对贝叶斯网络分类器在处理多属性分类问题时,存在分类精度下降、算法运行时间过长等问题,提出一种判别类条件贝叶斯网络模型。该模型在类条件贝叶斯模型的基础上,将条件对数似然函数以对数形式重新参数化,并使用量子粒子群优化算法最大化目标函数。新模型采用判别参数学习方法,直接计算条件概率,对于分类问题更加高效。本研究将判别类条件贝叶斯网络模型与TAN分类器相结合,使用量子粒子群算法进行优化,用于对液体火箭发动机的故障诊断与分类中。针对某型号火箭的仿真数据进行故障诊断与分类,与传统的贝叶斯分类器相比,改进的分类器在处理分类问题时,准确率和学习效率更高。(本文来源于《山东科技大学学报(自然科学版)》期刊2019年05期）
刘久富,丁晓彬,郑锐,王彪,刘海阳[3]（2019）在《混沌量子粒子群的权重类条件贝叶斯网络分类器参数学习》一文中研究指出针对贝叶斯网络判别学习方法在处理大数据集时,存在的模型训练时间长、算法迭代次数过多等问题,通过引入指数级参数,提出了混沌量子粒子群的权重类条件贝叶斯网络参数学习方法。该方法首先通过优化对数似然函数,解决生成学习的参数估计问题。然后,使用生成学习的结果,初始化判别学习的参数。最后,引入混沌映射序列,通过混沌量子粒子群优化(chaos quantum particle swarm optimization,CQPSO)算法,优化条件对数似然函数。使用权重类条件贝叶斯网络分类器对液体火箭发动机的故障进行分类,仿真结果表明,改进的方法分类精度高,误分类率低。同时,采用CQPSO与量子粒子群优化(quantum particle swarm optimization,QPSO)算法、标准粒子群优化(particle swarm optimization,PSO)算法相比,能够有效减少算法的迭代次数,提高算法的效率。(本文来源于《系统工程与电子技术》期刊2019年10期）
丁晓彬,刘久富,郑锐,王彪,刘海洋[4]（2019）在《贝叶斯网络分类器的基于改进粒子群参数学习方法》一文中研究指出研究了贝叶斯网络分类器的高效参数学习方法。生成方法解决联合分布的参数估计问题,而判别方法解决后验分布的参数估计问题。对判别参数学习方法的研究,首先通过建立类条件贝叶斯网络模型;在此基础上,对该模型以对数形式参数化,得到判别类条件贝叶斯网络模型;最后,通过改进粒子群算法对该模型进行最优化求解,得到各节点的概率。将贝叶斯网络分类器的判别参数学习方法与TAN分类器相结合,可用于对液体火箭发动机的故障诊断与分类中。针对某型号火箭的两次仿真数据进行故障诊断与分类,与其他方法相比,改进的分类器需要的数据量小,准确率和学习效率更高。(本文来源于《应用科技》期刊2019年04期）
薛洁[5]（2017）在《基于参数优化的SVM分类器在继发性干燥综合征诊断中的应用》一文中研究指出干燥综合征.(siccasyndrome,简称SS)是一种外分泌腺体的自身免疫性慢性疾病,通常被分成原发性干燥综合征与继发性干燥综合征这两个类型。其中,继发性干燥综合征常继发于系统性红斑狼疮(Systemic Lupus Erythematosus,简称SLE)等疾病之中,因此容易被人忽视。为了解决SLE患者并发继发性干燥综合征不容易及时确诊与治疗过程中由于医生主观性依赖较强导致治疗方案有偏差的问题,提出了一种将支持向量机(SupportVectorMachine,简称SVM)与系统性红斑狼疮继发干燥综合征早期诊断相结合的新思路,该方法主要思想是利用SVM分类器对系统性红斑狼疮患者及SLE继发性干燥综合征的患者进行二分类。本文以141例患者病例为研究对象,经过数据筛选处理,分别运用了交叉验证法、网格搜索法、标准粒子群优化算法分别对SVM模型分类器中的惩罚参数C与核函数参数g进行优化选择,最终发现粒子群算法优化SVM参数模型不仅分类的效果最佳,其泛化能力也有很大提升。之后针对粒子群算法易陷入局部最优的问题,提出混沌机制改进粒子群优化算法的方法。最后,分别利用MATLAB软件对上述4种优化方式进行编程的实现,并将结果以直观的图像表示在workspace窗口中,用以表达SVM模型分类器最终的分类正确率。最终对比选出对SLE患者并发继发性干燥综合征疾病诊断分类度的准确率分别为82.3529%、88.2353%、90.1961%、92.1569%。最终结果对比表明:基于混沌机制改进的粒子群算法优化的支持向量机分类模型参数的寻优,相较于交叉验证与网格搜索法,对SVM参数的优化选择更加科学及严谨;且对比标准粒子群优化SVM参数的模型,可以明显看出,基于混沌机制改进的粒子群算法改善了标准粒子群容易陷入早熟现象,从而提高了 SVM分类器对SLE继发干燥综合征疾病分类诊断的精度。(本文来源于《昆明理工大学》期刊2017-03-01）
朱爽,张锦水[6]（2016）在《样本特征对参数/非参数分类器分类精度的影响分析》一文中研究指出为验证理论训练数量(10~30 p)对参数分类器(如最大似然分类)、非参数分类器(如支撑向量机)的适用性以及样本特征(光谱统计、空间分布特征)对分类器分类精度的影响,选择不同规模的训练样本进行最大似然分类和支撑向量机分类,分析分类精度与样本之间的关系。实验结果表明:随着样本量的增加,最大似然、支撑向量机分类精度均随样本量增多而提高并趋于稳定,最大似然分类精度的增长速度要快于支撑向量机。MLC受样本量的影响较大,在小样本的时候(5个),分类精度不稳定,超过30个样本的时候,分类精度稳定下来;对于SVM分类器,在小样本的时候(5个),分类精度较高且稳定,因此SVM分类适合于小样本分类,不受限于理论样本量的影响。当样本量超过最小理论样本量值(30个)的时候,最大似然分类精度要优于支撑向量机,主要是由于当样本量增加后,最大似然更易于获得有效的信息量样本,而对于支撑向量机边缘信息样本的增加数量不大。研究结果为进一步优化样本进行分类打下前期的实验基础。(本文来源于《遥感技术与应用》期刊2016年04期）
马伟[7]（2016）在《布谷鸟搜索算法优化特征和分类器参数的人体行为识别》一文中研究指出特征和分类器参数都影响着行为识别的准确性和效率,为了获得更加理想的人体行为识别结果,提出一种布谷鸟搜索算法优化特征和分类器参数的行为识别模型(CS-RVM).首先提取人体行为特征,并对进行归一化处理,然后采用相关向量机建立人体行为识别的分类器,并确定核函参数的取值范围,最后采用布谷鸟搜索算法对人体行为特征和人体行为识别分类器参数进行优化,仿真实验结明,CS-RVM可以快速找到人体行为特征和人体行为识别分类器参数,提高了人体行为识别的正确率,而且识别效率也要优于对比模型.(本文来源于《微电子学与计算机》期刊2016年05期）
郭春璐,陶琳[8]（2016）在《特征选择和分类器参数优化联合进行的人体行为识别》一文中研究指出特征选择和分类器参数优化是提高人体行为识别率的关键技术,针对当前模型没有考虑两者之间的联系不足,为了提高人体行为的识别率,提出了一种特征选择和分类器参数优化联合进行的人体行为识别模型。首先,分析当前人体行为识别研究的现状,并建立人体行为识别特征和分类器参数优化的数学模型;然后,利用改进粒子群算法对数学模型进行求解,建立最优的人体行为识别模型;最后,通过仿真实验测试其性能。结果表明,其模型克服了人体行为识别模型的缺陷,提高了人体行为识别率,识别速度也要快于对比模型。(本文来源于《微型电脑应用》期刊2016年04期）
陈泽恩[9]（2015）在《联合选择特征和分类器参数的Android系统安全检测》一文中研究指出为了提高Android系统安全检测性能,提出一种联合选择特征和分类器参数的Android系统安全检测模型.首先提取Android系统安全检测特征,并将特征和支持向量机参数组合在一起作为一个上体,然后通过教与学优化算法模拟老师的教学过程和同学之间的互相交流过程,找到最优特征子集和支持向量机参数,最后构建最优的Android系统安全检测模型,并进行仿真实验.实验结果表明,相对于其他Android系统安全检测模型,模型提高了Android系统安全检测准确率,改善了Android系统安全检测效率,可以满足Android系统安全检测的实时性要求.(本文来源于《微电子学与计算机》期刊2015年02期）
冷令[10]（2014）在《蝙蝠算法联合选择特征和分类器参数的入侵检测》一文中研究指出针对入侵检测的特征和分类器参数选择问题,采用极限学习机ELM(extreme learning machine)进行构建分类器,提出一种蝙蝠算法(BA)联合选择特征和分类器参数的网络入侵检测模型(BA-ELM)。首先将特征子集和极限学习机参数编码成蝙蝠个体,以入侵检测准确率和特征数加权组成个体适应度函数;然后通过个体和群体更新的规则引导蝙蝠向最优解飞行,从而找到最优的子特征集和极限学习机参数;最后建立最优的入侵检测模型,并通KDD CUP 99数据集进行仿真性能分析。结果表明,BA-ELM较好地解决了入侵检测特征选择与分类器参数不匹配难题,提高了网络入侵检测率和检测效率,更加适合于网络入侵检测的实时要求。(本文来源于《计算机应用与软件》期刊2014年07期）
分类器参数论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对贝叶斯网络分类器在处理多属性分类问题时,存在分类精度下降、算法运行时间过长等问题,提出一种判别类条件贝叶斯网络模型。该模型在类条件贝叶斯模型的基础上,将条件对数似然函数以对数形式重新参数化,并使用量子粒子群优化算法最大化目标函数。新模型采用判别参数学习方法,直接计算条件概率,对于分类问题更加高效。本研究将判别类条件贝叶斯网络模型与TAN分类器相结合,使用量子粒子群算法进行优化,用于对液体火箭发动机的故障诊断与分类中。针对某型号火箭的仿真数据进行故障诊断与分类,与传统的贝叶斯分类器相比,改进的分类器在处理分类问题时,准确率和学习效率更高。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
分类器参数论文参考文献
[1].方秋莲,王培锦,隋阳,郑涵颖,吕春玥.朴素Bayes分类器文本特征向量的参数优化[J].吉林大学学报(理学版).2019
[2].吴慧玲,丁晓彬,贺广生,刘久富.判别类条件贝叶斯网络分类器的量子粒子群优化参数学习[J].山东科技大学学报(自然科学版).2019
[3].刘久富,丁晓彬,郑锐,王彪,刘海阳.混沌量子粒子群的权重类条件贝叶斯网络分类器参数学习[J].系统工程与电子技术.2019
[4].丁晓彬,刘久富,郑锐,王彪,刘海洋.贝叶斯网络分类器的基于改进粒子群参数学习方法[J].应用科技.2019
[5].薛洁.基于参数优化的SVM分类器在继发性干燥综合征诊断中的应用[D].昆明理工大学.2017
[6].朱爽,张锦水.样本特征对参数/非参数分类器分类精度的影响分析[J].遥感技术与应用.2016
[7].马伟.布谷鸟搜索算法优化特征和分类器参数的人体行为识别[J].微电子学与计算机.2016
[8].郭春璐,陶琳.特征选择和分类器参数优化联合进行的人体行为识别[J].微型电脑应用.2016
[9].陈泽恩.联合选择特征和分类器参数的Android系统安全检测[J].微电子学与计算机.2015
[10].冷令.蝙蝠算法联合选择特征和分类器参数的入侵检测[J].计算机应用与软件.2014
标签：朴素Bayes分类器; 特征选择; TFIDF算法; N-gram模型;