基于M^3-DGMF的专利数据聚类方法研究

朴素贝叶斯、KNN、决策树及支持向量机等方法已经应用到文本聚类中,然而专利文献数据有着大规模、不平衡、层次化、多标号的特点,导致传统的方法在解决此类问题中往往性能不佳。鉴于此,通过引进基于双高斯合成函数的最小最大模块化神经网络的监督聚类算法,来有效地修剪训练数据的规模,并将其成功应用到专利数据的聚类中,实验结果证明了并行化及监督聚类的有效性。

一种基于DGMF与PSO的多核SVM

目前常用的支持向量机采用传统的单一高斯核函数,或者传统高斯核函数与多项式核函数的组合,但是存在着分类器泛化推广能力不强,容易出现数据偏斜等问题。鉴于此,提出了基于DGMF的多核支持向量机、并采用粒子群算法优化其参数。最后构造了文本倾向性分类实验,实验结果表明改进算法在正确率、准确率、召回率、F1值上具有更好的性能。

基于M^3-DGMF的债券评级算法研究

KNN、SVM等算法已经较为普遍地使用在信用评级中,但债券评级数据有着数量庞大、样本向量不一致、多分量等特征,经典算法在解决这种问题时往往局限性较大。采取双高斯合成函数的最小最大模块化神经网络的监督聚类算法对债券评级数据进行学习、泛化,实验结果表明该算法具有较大优势。