导读:本文包含了层次分类模型论文开题报告文献综述及选题提纲参考文献，主要关键词:图像分类算法,图像特征,自主学习,神经网络
层次分类模型论文文献综述
原立格,徐音,郝洋洲[1]（2018）在《基于深度层次模型的图像分类算法》一文中研究指出图像分类是大规模图像检索的基础,为了提高图像分类的准确率,提出了基于深度层次模型的图像分类算法。首先提取图像的颜色、纹理和边缘等特征,并进行归一化处理,然后采用深度层次模型对图像分类的训练样本集进行学习,建立图像分类器,最后在Matlab2014平台上采用图像数据集对算法的性能进行了测试。实验结果表明,算法能够获得理想的图像分类结果,图像分类正确率要远远高于对比图像分类算法,具有更高的实际应用价值。(本文来源于《控制工程》期刊2018年10期）
倪维斌,姜垚松,罗玮,夏晨曦[2]（2018）在《基于hLDA层次主题模型的患者投诉分类框架研究》一文中研究指出目的:使用机器学习方法构建患者投诉分类框架,以更好地评估医疗服务的质量。方法:使用hierarchical latent Dirichlet Allocation(hLDA)层次主题模型挖掘患者投诉数据的主题,再归纳出一个分类框架,并对患者投诉的主题分布进行可视化分析。结果:构建了一个基于患者投诉的分类框架,包括5个大类7个小类。可视化分析结果表明,患者投诉主要集中在临床服务类、环境类、管理类,共占88.37%。结论:通过对患者投诉数据进行挖掘,构建患者投诉分类框架,有利于更加科学合理地评估医疗服务质量。(本文来源于《中华医学图书情报杂志》期刊2018年10期）
汪荣[3]（2018）在《基于层次模型的浏览器漏洞精确分类挖掘方案》一文中研究指出现有漏洞信息库(CEV)不完备,许多漏洞也无法依其划分,该针对这一问题,结合层次分类模型,设计一种架构于AHP模型的浏览器安全漏洞分类方法。该方法从漏洞成因与攻击效果等多维度来分类浏览器的安全漏洞,并和中国国家信息安全漏洞库(CNNVD)分类结果作对比分析。研究表明,该分类法更具有适用性。(本文来源于《控制工程》期刊2018年07期）
王青[4]（2018）在《基于强化学习的层次化注意力网络模型及文本情感分类研究》一文中研究指出随着社交平台和电商平台数量的急剧增加,用户在网络上发表意见、表达情感已经成为一种日常现象,因此海量的非结构化数据也随之产生。利用自然语言处理技术对非结构化文本数据进行分析,并挖掘其中所带有的情感倾向,可以为社会舆情监督、商家售后信息反馈和其他用户的决策提供有力的帮助。因此,文本情感分类研究具有非常重要的社会意义和商业价值。在自然语言处理任务中,对停用词的处理通常是使用人工维护的停用词表,并没有一个明确的停用词表适用于所有的情景。另外,文本情感分类任务可以在不同层面进行,例如:文档级、句子级、词或短语级。本文是在文档级处理情感分类任务,其中以深度学习为基础的层次化注意力网络模型(HAN)在过去几年中取得了较好的分类准确率。但是它本身也存在不足,即基于序列的双向门控循环单元(GRU)对文本结构的依赖非常强,而层次化的注意力网络模型(基于双向GRU)没有考虑文本的结构。因此本文提出了两种改进模型:(一)ID-HAN模型是将HAN模型的底层换为一个强化学习模型,对文档分词后一句话中的词是否保留进行自动学习,从而实现针对实验文本数据和实验目的的停用词自动处理。之后将保留的词汇利用单层长短期记忆网络(LSTM)构建句子向量表达,在接下来要进入的句子序列编码器层加入一个高速连接,使得底层的强化学习模型可以得到充分的训练。与人工去除停用词的LSTM-BiGRU模型和HAN模型相比,ID-HAN模型在实验数据集上有更高的准确率。(二)HS-HAN模型底层也为一个强化学习模型,可以自主的学习到英文句子的内部短语结构并进行调整。该模型通过一个两级的LSTM网络,抽取出带有结构信息的句向量,接下来输入到加入高速连接的句子序列编码层(与ID-HAN模型类似带有高速连接),得到整篇文本带有结构信息的向量表示。与当前文档级情感分类任务常用的HAN模型和Struc-ATT模型相比,HS-HAN模型在英文实验数据集上有更高的分类准确率。(本文来源于《华南理工大学》期刊2018-04-20）
石俊飞,刘芳,林耀海,刘璐[5]（2017）在《基于深度学习和层次语义模型的极化SAR分类》一文中研究指出针对复杂场景的极化合成孔径雷达(Synthetic aperture radar,SAR)图像,堆迭自编码模型能够自动学习高层特性,有效表示城区、森林等复杂地物的结构,然而,却难以保持图像的边界和细节.为了克服该缺点,本文结合深度自编码器和极化层次语义模型(Polarimetric hierarchical semantic model,PHSM),提出了新的无监督的极化SAR图像分类算法.该方法根据极化层次语义模型,将复杂的极化SAR图像划分为聚集、匀质和结构叁大区域.对聚集区域,采用堆迭自编码模型进行高层特征表示,并构造字典得到稀疏特征进行分类;对匀质区域,采用层次模型进行分类;对于结构区域,进行线目标保留和边界定位.实验结果表明,该算法通过不同的分类策略优势互补,能够得到区域一致性好且边界保持的分类结果.(本文来源于《自动化学报》期刊2017年02期）
李远敏[6]（2016）在《层次化分类淘汰法的网络最优弥补模型》一文中研究指出针对求解最优弥补的特点和需求,利用层次化分类淘汰,提出一种基于层次化分类淘汰法的最优弥补模型(HSE-ONHM),得到最优弥补的精确解.为了验证HSE-ONHM的可行性和有效性,分别采取穷举法和层次化淘汰算法求解同一目标网络环境的最优弥补.实验结果表明:无论是淘汰次数还是CPU消耗时间,层次化分类淘汰法比穷举法优越;层次化分类淘汰法的计算时间随着初始属性节点数量呈指数增加,该实验结果与算法性能分析结果一致.(本文来源于《华侨大学学报(自然科学版)》期刊2016年04期）
温妍[7]（2016）在《基于层次模型的浏览器漏洞精确分类挖掘方案》一文中研究指出深入分析浏览器安全漏洞的形成原因及利用效果,结合层次分类模型,设计了一种架构于APH模型的浏览器安全漏洞分类方法.该方法由漏洞成因与攻击效果两个维度来分类浏览器的安全漏洞,还将分类结果和CNNVD分类方法的分类结果作了对比分析.研究结果表明,文中的分类方法具备更广的适用范围.(本文来源于《西安文理学院学报(自然科学版)》期刊2016年04期）
古平,王春元[8]（2017）在《结合邻居辅助策略的两阶段层次文本分类模型》一文中研究指出传统两阶段层次文本分类模型(THTC模型)是一种解决大规模层次文本分类问题的有效方法,但该模型的分类准确率仍然不是很高。为了缓解这个问题,提出了结合邻居辅助策略的两阶段层次文本分类模型(THTC-NA模型)。THTC-NA模型由搜索阶段和分类阶段组成。搜索阶段采用扁平策略从所有的叶子类别中选择与待分类文档最相关的k个类别作为候选类别集,这样可以大大减小分类阶段的搜索空间。分类阶段通过结合候选类别的祖先类别和兄弟类别的分类结果来帮助计算候选类别在分类阶段的结果。最后将搜索阶段的结果和分类阶段的结果融合起来共同决定待分类文档的目标类别。在数据集Newsgroups-18828上的实验表明,相对于THTC模型,THTCNA模型对提高层次文本分类准确率有很大的帮助。(本文来源于《计算机工程与应用》期刊2017年09期）
石俊飞[9]（2016）在《基于层次语义模型与散射机理的极化SAR地物分类》一文中研究指出极化合成孔径雷达(PolSAR)图像的地物分类是图像处理的主要任务,是图像的理解和解译的前提。相比于传统的SAR图像,极化SAR图像含有更加丰富的地物信息,是多参数多通道的成像雷达系统。然而,对于异质结构区域,由于散射特性复杂,结构千差万别,对其分类存在很大的难度。尤其是聚集地物,如城区、森林等,是由多个同类目标聚集形成的,这种区域内部目标和地面散射变化差异大,形成强烈的亮暗变化,这些变化重复出现,形成了聚集地物。如何将聚集地物分为语义上一致的区域,并保持边界细节是极化SAR地物分类的一个难点问题。目前极化SAR分类方法的研究主要依靠极化散射特性的分析和基于像素底层特征的提取,为了能够对图像进行更高层次的理解和解译,高层语义信息的挖掘也很有必要,是进一步图像理解和解译的关键。本论文中,我们对极化SAR图像进行深入分析,不仅充分挖掘了极化SAR的散射特性,更进一步的从视觉认知角度构建层次语义模型,提出一系列有效的新模型和极化SAR地物分类方法,主要研究成果如下:1.提出了极化层次语义模型,将极化SAR图像划分为叁种结构不同的区域类型。对于极化SAR图像分类,如何将聚集地物分为语义上一致的区域是一个难点。聚集地物是指相似地物目标聚集在一起形成的地物,如城区、森林等。这些地物类型的主要特点为地物区域内部包含强烈的亮暗变化,传统的方法很难将其分为一类。为了克服这个缺点,我们提出了一种层次语义模型,该模型包括初层和中层语义。初层语义是极化素描图,它是由素描线段构成,是极化SAR图像的稀疏表示。中层语义是区域图,该图是通过挖掘素描图中素描线段的空间邻域关系而得到的。该图将极化SAR图像划分为聚集、结构和匀质叁种区域类型。实验结果表明提出的层次语义模型能够很好的划分极化SAR图像的叁类区域。2.提出了一种新的基于层次语义模型和极化特性的极化SAR地物分类方法。针对复杂的极化SAR场景,为了对不同类型的地物进行精确分类,我们根据提出的层次语义模型,将区域图映射到极化SAR图像上,将极化SAR图像划分为聚集、结构和匀质叁种区域类型。然后,用均值漂移对图像进行初分割,对不同的区域类型,根据其特点设计不同的区域合并策略,得到语义分割结果。另外,进一步构建语义一一极化分类器,将语义分割和基于散射特性的分类结果进行融合,得到更优的分类结果。通过对不同波段不同传感器得到的真实数据进行测试,验证了提出的算法能够获得语义上一致的区域和边界细节。3.提出了一种无监督的基于素描图和自适应马尔可夫随机场(Markov Random Field,MRF)的极化SAR图像分类算法。MRF模型是极化SAR图像分类的一种有效工具。然而,在传统的MRF方法中,由于缺乏合适的上下文信息,分类结果的边界保持和区域一致性一直是一对矛盾。为了既保持边界细节,又获得一致的区域,我们基于极化素描图,提出了一种自适应的MRF框架。极化素描图能够提供详细的边界位置和方向,这些信息能够有效地指导边界邻域结构的选择。具体地,极化素描图能够将极化SAR图像划分为结构和非结构区域,然后对不同的区域进行自适应邻域学习。对结构区域,我们构建几何结构块对图像细节进行保持。对非结构区域,我们设计最大一致区域来提高区域一致性。通过对仿真和真实数据的实验表明,提出的算法既能够获得好的区域一致性,又能够得到细节边界。4.提出了基于深度学习和层次语义模型的极化SAR图像分类方法。针对复杂场景的极化合成孔径雷达(SAR)图像,堆迭自编码模型能够自动学习图像结构特性,有效表示城区、森林等复杂地物的结构,然而,对图像边界和细节却难以保持。为了克服该缺点,本文结合深度自编码器和极化层次语义模型,提出了新的无监督的极化SAR图像分类算法。该方法根据极化层次语义模型,将复杂的极化SAR图像划分为聚集、匀质和结构叁大区域。对聚集区域,采用堆迭自编码模型进行高层特征表示,并构造字典得到稀疏特征进行分类;对匀质区域,采用层次模型进行分类;对于结构区域,进行线目标保留和边界定位。实验结果表明,该算法通过不同的分类策略优势互补,能够得到区域一致性好且边界保持的分类结果。5.提出了一种新的基于小波融合的极化SAR图像边缘检测方法。极化CFAR检测子能够有效地抑制斑点噪声,因为其考虑了斑点噪声的Wishart分布模型。然而,它难以检测异质区域的边界细节,如城区内部的细道路等,这是因为在异质区域中,滤波器内像素已难以满足相干斑一致性假设。为了克服这个缺点,我们通过融合极化CFAR检测子和加强梯度检测子,提出了一种新的边缘检测算法,该算法结合了极化CFAR和加强梯度检测子的优势,并抑制他们的缺点。我们使用小波变换对这两种互补的检测子进行融合,并定义语义规则。另外,为了抑制梯度检测子的噪声影响,我们对梯度检测结果采用降斑策略。实验结果表明,提出的算法能够有效地检测弱边界和异质区域的细节。(本文来源于《西安电子科技大学》期刊2016-05-01）
董振波[10]（2016）在《面向不平衡数据集分类的层次引力模型研究》一文中研究指出分类是数据挖掘和机器学习领域的一个热点问题,传统的分类问题主要关注数据分布平衡的情况,但是在实际应用当中数据不平衡的情况时有发生。数据的不平衡给分类直接或间接地带来了很多困难,传统的方法在对不平衡数据集进行分类时往往变得不再适用。由于不平衡数据集分类问题的挑战性和在现实中的广泛应用,吸引了越来越多的人对其进行研究。目前对不平衡数据集分类的解决方法主要分叁种:问题定义层的解决方法、数据层的解决方法和算法层的解决方法。在对不平衡数据集分类中的主要问题进行分析后,该文介绍了两种传统的分类方法,即层次分类模型和数据引力模型,并分析了将它们用于不平衡数据集分类的可行性:将两者结合可以同时降低类间不平衡和小析取项对分类影响。然后在此基础上对两者进行了修改,提出了一种用于不平衡数据集分类的层次引力模型,即HDGC。本文的主要工作如下:1.将层次分类模型和数据引力模型相结合,在吸纳两者优点的同时使两者弥补了彼此的不足,即层次分类模型精确分类能力的不足和数据引力模型分类代价较高的问题。2.改变了传统层次分类模型中采用新生成样本代替原始样本的做法,将划分后位于同一区域的样本看作一个数据单元,根据数据单元距离边界的远近对其进行不同标记,并使用标记结果辅助分类。3.采用了局部引力和全局引力相结合进行分类的方法。局部引力只采用相邻的训练样本对测试样本进行分类,在有足够信息的情况下提高了分类的效率,而使用全局引力则可以利用尽可能多的信息对难分样本进行分类。为了验证HDGC算法的有效性,分别在实际数据集和人工数据集上进行了实验,实验结果表明该方法能够很好的处理不平衡数据集的分类问题,同时具有较高的分类效率。(本文来源于《重庆大学》期刊2016-04-01）
层次分类模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
目的:使用机器学习方法构建患者投诉分类框架,以更好地评估医疗服务的质量。方法:使用hierarchical latent Dirichlet Allocation(hLDA)层次主题模型挖掘患者投诉数据的主题,再归纳出一个分类框架,并对患者投诉的主题分布进行可视化分析。结果:构建了一个基于患者投诉的分类框架,包括5个大类7个小类。可视化分析结果表明,患者投诉主要集中在临床服务类、环境类、管理类,共占88.37%。结论:通过对患者投诉数据进行挖掘,构建患者投诉分类框架,有利于更加科学合理地评估医疗服务质量。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
层次分类模型论文参考文献
[1].原立格,徐音,郝洋洲.基于深度层次模型的图像分类算法[J].控制工程.2018
[2].倪维斌,姜垚松,罗玮,夏晨曦.基于hLDA层次主题模型的患者投诉分类框架研究[J].中华医学图书情报杂志.2018
[3].汪荣.基于层次模型的浏览器漏洞精确分类挖掘方案[J].控制工程.2018
[4].王青.基于强化学习的层次化注意力网络模型及文本情感分类研究[D].华南理工大学.2018
[5].石俊飞,刘芳,林耀海,刘璐.基于深度学习和层次语义模型的极化SAR分类[J].自动化学报.2017
[6].李远敏.层次化分类淘汰法的网络最优弥补模型[J].华侨大学学报(自然科学版).2016
[7].温妍.基于层次模型的浏览器漏洞精确分类挖掘方案[J].西安文理学院学报(自然科学版).2016
[8].古平,王春元.结合邻居辅助策略的两阶段层次文本分类模型[J].计算机工程与应用.2017
[9].石俊飞.基于层次语义模型与散射机理的极化SAR地物分类[D].西安电子科技大学.2016
[10].董振波.面向不平衡数据集分类的层次引力模型研究[D].重庆大学.2016