基于特征选择和倾向分析联合优化的UGC情感自动识别方法

随着Web2.0思想观念及其技术的广泛应用,基于社交媒介的UGC对经济、政治、社会、军事、外交及其他方面都产生了重要的影响,基于UGC的情感倾向性自动识别研究具有重要的理论意义和实际应用价值。本研究针对当前情感倾向性自动识别中亟待解决的挑战性问题,研究并提出了基于特征选择和倾向分析联合优化的UGC情感倾向性自动识别方法。本研究将所提出的方法应用于实际的中文和英文、两类和五类UGC情感倾向性自动识别中。基于两种不同语言的语料库:中文豆瓣网电影评论文本和英文IMDB电影评论文本,本研究构建了基于特征选择和倾向分析联合优化的情感倾向性自动识别模型,并对该模型进行了检验。一系列的实验结果表明,本研究所提出并构建的基于特征选择和倾向分析联合优化的情感倾向性自动识别模型能够提高UGC情感倾向性自动识别的效果,从而说明了该模型对于中文和英文自动情感分析的有效性。

联合过滤式与嵌入式样本的标签库特征选择

嵌入式样本标签库中存在重复、异常无效特征,导致特征选择正确率较低。为此,提出了联合过滤式与嵌入式样本的标签库特征选择方法。通过计算总体分布概率密度,分析无效特征高斯隶属度。采用基于k近邻算法联合高斯隶属度的高斯正态分布过滤方式,过滤无效特征。设置最大相关最小冗余度特征选择准则,使得标签库特征之间保持最大相关性,过滤错误率持续最小化。定位标签位置,计算标签库两个特征之间水平距离,将空间位置坐标映射到二维平面上,使用粒子群优化算法,依据标签位置选择标签库特征,在粒子群全局最优解的基础上,更新标记位置,从而获得最优解,完成样本标签库特征选择。实验结果可知,该方法特征数据得到有效标记,未出现丢失,最高选择正确率为0.97,具有精准选择效果。

基于改进哈里斯鹰优化算法的光谱特征波段选择模型研究

特征波段选择是近红外光谱分析的关键步骤之一,有效的特征波段选择能提高建模效率与模型性能。传统的特征波段选择算法存在运行时间长、选择特征冗余的缺陷,在实际工程应用中难以达到期望的效果。哈里斯鹰优化(HHO)算法具有原理简单、参数少的优点,但同时也存在收敛精度低且易陷入局部最优的不足。在HHO算法的基础上提出了一种基于改进哈里斯鹰优化(IHHO)算法的近红外光谱特征波段选择模型。针对HHO算法只能用于求解连续空间的优化问题,采用离散化策略对HHO算法进行修正,使其能求解离散形式的特征波段选择问题;考虑到HHO算法初始种群的质量差,使用混沌映射、反向学习提高初始种群的质量,以增强算法的全局探索能力;由于HHO算法在局部搜索时的收敛精度低,提出了新的猎物能量衰减模型与跳跃策略,以进一步增强算法在局部搜索时的寻优能力;为避免算法在寻优过程中落入局部最优,借鉴了遗传算法的变异方式对HHO算法进行扰动。使用竞争性自适应重加权采样法(CARS)、连续投影算法(SPA)、粒子群优化(PSO)算法、遗传算法(GA)、 HHO算法与IHHO算法进行比较,并以4个定性分析近红外光谱数据集与2个定量分析近红外光谱数据集分别建立了支持向量机(SVM)识别模型和偏最小二乘回归(PLSR)模型。在定性分析实验中,IHHO算法得到的平均准确率相对于全波段时分别提高了0.83%、 9.55%、 17.65%以及0%,平均特征波段数仅占全波段的9.97%、 2.59%、 1.36%以及0.59%。在定量分析实验中,IHHO算法得到的平均决定系数分别较全波段提高了10.57%、 1.47%、 4.41%、 3.66%以及3.06%,平均均方根误差分别较全波段较低了0.162、 1.266 3、 1.868、 1.869 4以及0.408 4,平均特征波段数仅占全波段的9.24%、 10.53%、 6.54%、 6.91%以及7.14%。实验结果表明,IHHO算法在选择特征波段时能够去冗余,针对性选择最重要的特征波段,其性能均优于比较的几种算法。IHHO算法具有良好的应用前景。

粗精选策略二进制灰狼优化算法用于红外光谱特征选择

由于分子结构的高相似性,烃类气体混合物中各组分红外光谱谱峰重叠严重,导致浓度的精确监测一直是化学计量学的难题。为了应对这一挑战,提出一种粗精选策略二进制灰狼优化(RSBGWO)算法,用于优选红外光谱特征,建立高精度定量分析模型。该方法以交叉验证下光谱定量分析模型的均方根误差(RMSECV)平均值作为适应度函数值。在粗选阶段,进行第一次全局迭代,更新α狼、β狼和δ狼所选特征变量的位置信息;在精选阶段,结合α狼所选的特征变量以及剔除α狼未选中特征变量位置后的β狼和δ狼特征变量,更新狼群位置信息,逐步降低RMSECV值,提取为全局最优特征波长,并引入非线性收敛因子加快收敛速度。该算法在采集的359个混合烷烃气体样本的红外光谱数据集上进行了实验测试并验证了所提算法的效果。与bGWO和bPSO特征提取算法比较,基于本文提出的RSBGWO算法建立的MLR模型在分析甲烷、乙烷、丙烷和二氧化碳气体浓度时,特征选择数量均降低了96%以上,预测均方根误差(RMSEP)均低于数据采集过程中所使用的配气系统的仪器误差,相对预测偏差(RPD)均提高了15以上。相对于全谱建模的MLR模型和PLS模型,基于RSBGWO算法建立的MLR模型和PLS模型的预测精度有显著增高,预测效果对定量分析模型的依赖性降低了。实验结果表明,提出的方法具有优秀的红外光谱特征提取能力,能够明显提高定量分析模型的预测效果。该方法能够促进光谱检测技术在生物制药、食品化工、油气勘探等领域的应用,尤其是在含同系有机物混合物的应用场合。

基于重复度分析的森林优化特征选择算法

森林优化算法是一种基于森林中树木播种思想的演化算法,其具有良好的特征空间搜索能力,且实现难度低。但该算法在森林整体的收敛速度和寻优能力上仍存在提升空间,而且对高维数据集的适应度较差。本文针对上述问题提出了基于重复度分析的森林优化特征选择算法(feature selection using forest optimization algorithm based on duplication analysis, DAFSFOA)。该算法提出了基于信息增益的自适应初始化策略、森林重复度分析机制、森林重启机制、候选最优树生成策略、综合考虑特征选择数量和分类正确率的适应度函数。实验结果表明,DAFSFOA在大部分数据集上达到了最高的分类准确率。同时,对于高维数据集SRBCT,在维度缩减率和分类准确率方面,DAFSFOA对比森林优化特征选择算法(feature selection using forest optimization algorithm,FSFOA)都有较大提升。DAFSFOA比FSFOA具有更强的特征空间探索能力,而且能够适应不同维度的数据集。

福泉市小寨水库特征水位的选择与优化分析

小寨水库工程是贵州省福泉市马场坪街道办事处骨干水源之一,其主要任务是烟地灌溉及人畜饮水。该地区工程性缺水严重,在来水量有限的情况下,如何选择合理的特征水位,使其更好的利用水资源,发挥最大效益,是一个关键性问题。本文从水资源优化利用角度出发,根据地形地质条件、淹没损失、水文指标及工程投资等方面综合考虑,在满足安全经济的原则下,选择最优死水位与正常蓄水位。

水下目标识别中的特征优化选择

本文将模式识别中的特征选择方法用于水下目标特征的优化选择。用距离测度作为选择的准则,对提取的三类舰船噪声的高维组合特征进行自动选择,并用10-折交叉验证方法对选择出的特征子集进行评估,分析结果说明该方法能从原始的特征集中选择出有利于分类的特征子集,提高了水下目标分类的正确率。

基于贝叶斯优化算法的脸面特征向量子集选择

Eigenvector subset selection is the key to face recognition. In this paper ,we propose ESS-BOA, a newrandomized, population-based evolutionary algorithm which deals with the Eigenvector Subset Selection (ESS)prob-lem on face recognition application. In ESS-BOA ,the ESS problem, stated as a search problem ,uses the BayesianOptimization Algorithm (BOA) as searching engine and the distance degree as the object function to select eigenvec-tor. Experimental results show that ESS-BOA outperforms the traditional the eigenface selection algorithm.

智能遮阳百叶眩光预测模型控制变量有效性分析

基于预测模型的智能遮阳百叶调控系统具有降低建筑室内眩光性能的能力,其智能性取决于调控方法。而调控方法的设计取决于对室内采光性能相关影响信息的思考。不同影响信息是调控反馈的依据,也是智能预测模型建构的基础。本研究利用机器学习技术,对不同百叶控制变量展开眩光关联性分析,以及不同控制变量在眩光影响上的交互效应。利用XGBoost构建预测模型与展开特征选择,同时采用SHAP可解释方法进一步解析变量与眩光关联大小。研究结果表明,室内使用者所在区域与遮阳百叶之间距离、遮阳形变与眩光发生最为紧密,且互动性影响明显,同时太阳高度角也是遮阳百叶重要的响应信息。结论可为智能遮阳百叶调控系统设计和预测模型建构提供参考依据。

联合循环发电站电力输出预测

为了使联合循环发电站利润最大化,准确预测其满负载电力输出非常重要。联合循环发电站运行时,前一级产生的废气被用来驱动下一级热机,以此来推动发电机,其满负载电力输出受到环境温度、大气压强、相对湿度和废气气压的影响。为此,首先,采用核主成分分析(kernel principle component analysis,KPCA)对电站发电相关的特征进行特征组合降维完成特征提取;然后,采用极端梯度提升(extreme gradient boosting,XGBoost)算法进行特征重要性评分,并结合序列前向选择法(forward selection,FS)获取最优特征子集;最后,构建了KPCA-XGB-FS模型用于联合循环发电站满负载下小时电力输出预测。通过对某联合发电站的真实数据进行实验,并与使用相同数据的已有研究方法进行对比,结果表明,所提出方法能够有效对电力输出进行预测,预测结果优于已有的研究方法。

基于特征排序特征联合算法的疾病危险因素分析

针对疾病危险因素分析集中于危险因素单独作用的重要性评估,忽略危险因素联合作用的问题,为避免低估部分单独无用但与其他因素联合对疾病构成威胁的危险因素的有用性,提出一种基于特征选择的特征排序特征联合算法。第一阶段通过特征选择对危险因素进行单独作用重要性分析并排序;第二阶段设计特征联合算法分析危险因素联合作用,去除冗余危险因素并选出关键危险因素。仿真实验结果表明,特征排序特征联合算法可实现更高分类准确率并减少冗余,证明了该算法的有效性。

基于影响力社区检测与蚁群算法的特征选择

针对多变量特征选择算法计算效率低、冗余度高的问题,提出一种基于影响力社区检测与蚁群算法的特征选择算法。计算每对数据点之间的相似性,组成无向图,通过人工蚁群优化算法将网络划分为簇;使用社区检测算法对特征进行分类,选择冗余度最小的特征子集;蚁群初始化阶段通过度量特征与类的相关性,初始化信息素。基于人工合成数据集与标准的公开数据集进行实验,实验结果表明,该算法实现了较高的分类准确率、敏感性、特异性,其计算效率处于可接受范围内。

基于语义特征的微博情感分析研究

针对在微博情感分析中没有有效地构造情感词典的方法问题,提出基于《同义词词林》和微博检索系统的情感词典的构造方法。利用《同义词词林》对4部基础情感词典进行扩展形成一部情感词典,利用点互信息(PMI)公式计算情感词语的情感倾向值。针对情感分析中特征选择的问题,利用不同的特征组合通过对比实验选取了有效的特征组合。实验证明,构造的情感词典和选择的特征组合有效,能够明显提高微博情感分析的质量。

基于SVM的在线商品评论的情感倾向性分析

在线商品评论的情感倾向分析是一个很有研究价值的分类技术。文中采用SVM文本分类算法将在线商品评论进行情感倾向分析,同时,为了克服传统的CHI统计特征选择法的不足,提出了结合方差分析的CHI统计特征选择方法。实验表明:在基于SVM的在线商品评论情感倾向分析中,改进的特征选择方法对在线商品评论的情感分类效果有很好的提升。

基于组合特征选择的目标识别算法研究

针对飞机遥感图像识别,对一种基于组合特征选择的目标识别算法进行了研究。考虑获取的飞机样本数量有限,且存在旋转、遮挡等现象,采用提取图像熵值、归一化转动变量、Fourier描述子、Hu矩和Zernike矩不同的不变矩描述其整体和细节特征,用离差标准化的归一化方法进行特征融合。考虑组合不变矩维数相对较高,用主成分分析(PCA)算法进行特征选择以避免维数灾难。用具参数优化的支持向量机(SVM)进行分类识别。给出了目标识别算法的流程。进行了手写数字和飞机目标识别两个仿真实验,结果表明:该特征选择方法在基于MNIST数据集的小样本手写体数字图像识别中,识别效果良好;在有限样本的飞机识别中,经特征选择后识别效果有较大改善,识别时间缩短,训练样本数据多,识别的精度会更高,但当飞机目标的不同姿态下形状发生变化时识别效果会变差。

小波分析和粒子群优化神经网络的语音端点检测

为了提高语音端点检测的适应性和鲁棒性,提出一种小波分析和粒子群优化神经网络(WA-PSO-BP)的语音端点检测算法.首先利用小波分析提取语音信号的特征量,然后将特征量作为输入BP神经网络进行学习,并采用粒子群算法优化BP神经网络参数,从而建立语音端检测模型.仿真结果表明,WA-PSO-BP提高了语音端点检测正确率,有效降低了虚检率和漏检率.这说明WA-PSO-BP是一种可行性较高,环境适应性较强的语音检测算法.

学生评教留言的倾向性分析

学生评教留言经过逐年累积,已经形成一个巨量的信息资源,如何进行挖掘和分析这些资源已经成为一项紧迫的任务。本文采用频率、信息增益、条件概率比、期望值差异等四种特征选取方法对留言进行分析,采用ICTCLAS分词软件进行分词,利用MATLAB软件进行矩阵奇异值分解和降维,使用支持向量机进行训练和预测数据,从而能够对学生留言的情感倾向性给出很好的预测结果。最后通过实例说明了文中算法的有效性。

基于多支架联合分析技术的顶板运动规律分析

为解决全工作面液压支架压力连续监测、分析过程中出现的每台液压支架数据变化节奏不统一,工作面顶板运动规律分析较困难的问题,进行了液压支架压力监测结果整体分析。结果发现:基本顶断裂时支架压力呈现出两端头和中间压力较大,中间压力最大的"W"型分布;这种工作面倾向顶板压力显现特征给单支架顶板运动规律分析带来较大干扰。根据工作面倾向顶板断裂特征,将工作面分为上、中、下3个区,区域内支架数据按单支架顶板运动规律分析方法把符合来压判据的循环数据筛选后,按时间序列拟合,再一次判断是否符合来压条件,即多支架联合分析顶板运动规律。实践证明,基于多支架联合分析技术的顶板运动规律和现场观测结果基本一致。

基于主成分分析和深度自编码高斯混合模型的无监督异常数据检测方法研究

在异常数据检测中,由于数据量过大和数据特征维度过高,往往会导致数据标定困难、数据冗余、算法效率降低等。针对以上问题,将主成分分析(PCA)特征选择算法与深度自编码高斯混合模型(DAGMM)相结合,提出一种新的无监督异常数据检测方法PCA-DAGMM。该方法首先利用PCA特征选择算法对数据进行预处理,去除对分类效果增益较小的冗余数据,降低运算成本;然后将特征选择后的数据输入到DAGMM模型中进行训练。基于kddcup99数据集和CIC-IDS-2017数据集进行实验,并与多种特征选择算法进行对比,实验结果表明,PCA-DAGMM方法可以有效优化分类器性能,提高分类器训练效率,适用于解决网络流量异常检测问题,F1指数在kddcup99数据集和CIC-IDS-2017数据集上比DAGMM模型分别提高了4.37%和1.06%,训练时间减少了14.43%和8%。

汉语词语情感倾向自动判断研究

汉语词语情感倾向自动判断避免了个人判断的影响,并提高了主观性词典创建效率。讨论和分析汉语词语情感倾向判断技术,使用情感特征集合进行倾向性描述,建立基于二元语法依赖关系的情感倾向互信息特征模型。采用机器学习方式得到分类器,对词语的情感倾向进行自动判别,并进行比较和优化,性能得以提高,最好的SVM准确率达到95.47%,F值达到93.90%。采用特征集合描述情感倾向性,在建立的互信息特征模型上,使用机器学习方法自动判断词语情感倾向是有效的。