已閱讀1頁，還剩110頁未讀， 繼續(xù)免費(fèi)閱讀
版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
1、數(shù)據(jù)挖掘和文本挖掘是當(dāng)前信息技術(shù)中的一個(gè)重要研究領(lǐng)域； 將軟計(jì)算方法之一的遺傳算法應(yīng)用于數(shù)據(jù)及文本挖掘方法研究,具有較大的理論意義和實(shí)用價(jià)值.本文研究了基于遺傳算法和社會(huì)演化算法的數(shù)據(jù)挖掘和文本挖掘方法,主要包括數(shù)據(jù)挖掘和文本挖掘中的屬性約簡問題、聚類問題.所做主要工作內(nèi)容包括: 提出一種基于遺傳算法和k-medoids算法的新的聚類方法.該方法既可以很好地解決局部最優(yōu)的問題,也可以很好地解決孤立點(diǎn)的問題,同時(shí)用于和k-
2、medoids算法相結(jié)合,可以加快遺傳算法的收斂速度,節(jié)約了時(shí)間成本. 采用遺傳算法和模式聚合進(jìn)行文本特征降維.模式聚合可以有效降低文本特征的維數(shù),使得特征從幾千維降為幾百維,在此基礎(chǔ)上采用遺傳算法繼續(xù)降維. 采用遺傳算法和潛在語義索引進(jìn)行文本特征降維.潛在語義索引通過奇異值分解可以有效地降低向量空間的維數(shù).在此基礎(chǔ)上采用遺傳算法繼續(xù)降維. 采用社會(huì)演化算法進(jìn)行聚類.K均值聚類算法通常只能以局部最優(yōu)結(jié)束,很難找到
溫馨提示
- 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽，若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲(chǔ)空間，僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理，對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容，請(qǐng)與我們聯(lián)系，我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于遺傳算法與模糊聚類的文本分類研究.pdf
- 基于遺傳算法的文本聚類技術(shù)研究.pdf
- 基于遺傳算法的文本聚類研究.pdf
- 基于神經(jīng)網(wǎng)絡(luò)等技術(shù)的數(shù)據(jù)與文本聚分類研究.pdf
- 基于神經(jīng)網(wǎng)絡(luò)等技術(shù)的數(shù)據(jù)與文本聚分類研究
- 基于混合并行遺傳算法的文本分類及聚類研究.pdf
- 基于遺傳算法的高維數(shù)據(jù)聚類研究.pdf
- 遺傳算法在文本分類中的研究與應(yīng)用.pdf
- 基于遺傳算法的模糊聚類技術(shù)的研究.pdf
- 基于遺傳算法的基因芯片數(shù)據(jù)聚類研究.pdf
- 基于遺傳算法進(jìn)行高維數(shù)據(jù)聚類的新算法.pdf
- 基于遺傳算法的指紋分類算法研究.pdf
- KNN文本分類中基于遺傳算法的特征提取技術(shù)研究.pdf
- 基于遺傳算法的聚類挖掘研究.pdf
- 基于遺傳算法的聚類方法研究.pdf
- 基于遺傳算法的參數(shù)自適應(yīng)數(shù)據(jù)流聚類算法研究.pdf
- 基于遺傳算法的數(shù)據(jù)挖掘技術(shù)研究
- 基于粗糙集理論與遺傳算法的分類算法研究.pdf
- 基于聚類技術(shù)的多目標(biāo)細(xì)胞遺傳算法.pdf
- 基于遺傳算法的數(shù)據(jù)挖掘技術(shù)的研究和應(yīng)用.pdf
評(píng)論
0/150
提交評(píng)論