基于RBF神經(jīng)網(wǎng)絡(luò)的網(wǎng)頁(yè)分類技術(shù)研究.pdf

1、隨著Internet的普及,網(wǎng)絡(luò)已經(jīng)成為人們獲取信息的主要途徑,為了幫助人們從海量網(wǎng)頁(yè)中獲取有用的信息,網(wǎng)頁(yè)自動(dòng)分類技術(shù)應(yīng)運(yùn)而生,其可以快速有效地分析和組織海量網(wǎng)頁(yè)信息,它是利用機(jī)器學(xué)習(xí)的方法對(duì)網(wǎng)頁(yè)實(shí)現(xiàn)自動(dòng)類別標(biāo)注。在眾多網(wǎng)頁(yè)分類算法中,RBF神經(jīng)網(wǎng)絡(luò)因其出色的分類能力,成為機(jī)器學(xué)習(xí)的研究熱點(diǎn)。
　　 介紹了網(wǎng)頁(yè)分類的流程,分析了RBF神經(jīng)網(wǎng)絡(luò)技術(shù)發(fā)展、原理和相關(guān)技術(shù),討論了RBF神經(jīng)網(wǎng)絡(luò)在網(wǎng)頁(yè)分類中的重要作用。闡述了目前RBF

2、神經(jīng)網(wǎng)絡(luò)常用訓(xùn)練算法,研究了在多實(shí)例多標(biāo)簽框架下發(fā)展而來(lái)的MIMLRBF神經(jīng)網(wǎng)絡(luò)模型。針對(duì)MIMLRBF在不平衡樣本下分類效果差的問(wèn)題,提出了改進(jìn)的訓(xùn)練算法,考慮了樣本的整體分布情況,使各類上產(chǎn)生的隱含層神經(jīng)元趨于平衡,減少了不平衡樣本對(duì)網(wǎng)絡(luò)模型的影響。
　　 針對(duì)SVD方法在含有噪聲數(shù)據(jù)的樣本集上會(huì)導(dǎo)致網(wǎng)絡(luò)整體誤差變大的問(wèn)題,提出了基于最速下降法優(yōu)化的權(quán)重訓(xùn)練算法,使用SVD方法初始化權(quán)值矩陣,采用最速下降法優(yōu)化權(quán)值矩陣,并利