基于遗传算法改进的BP神经网络房价预测分析

使用传统的BP神经网络进行预测容易发生收敛速度慢、预测精度低、陷入局部最优的可能。对此,阐述了BP神经网络的基本原理,介绍了遗传算法的实现过程,并根据遗传算法的全局搜索能力,优化调整了BP神经网络的初始权值和阈值,分别对传统BP神经网络和改进后的GA-BP神经网络建立了房价预测模型。选取了中国房价及其主要影响因素作为实验数据进行仿真训练,对比了模型的预测效果。实验结果表明,经过遗传算法改进的BP神经网络较传统BP神经网络具有预测精度高、收敛速度快的优点,同时避免了陷入局部最优的缺陷。

基于LDA模型的文本聚类检索

传统的判断2个文档相似性的方法没有考虑到文本背后的语义关联,导致检索系统返回的结果与用户的查询需求之间存在很大的差异。本文提出一种基于LDA主题模型的文本聚类方法,首先介绍LDA主题模型的应用原理,阐述文本挖掘的基本方法,之后构建LDA主题模型,采用Gibbs抽样的方法进行推导,得到特征词的概率分布,最后用优化聚类中心选择的K-means++方法对测试数据集合聚类,并把设计的LDA-Gibbs模型与传统的TF-IDF模型进行聚类评价对比。实验结果表明,该模型能够提高数据的检索效果,具有良好的推广价值。