基于遺傳算法與模糊聚類的文本分類研究.pdf

1、隨著數(shù)據(jù)的爆炸式增長，信息處理已經(jīng)成為人們獲取有用信息不可缺少的工具，文本分類也已成為重要研究方向。作為非監(jiān)督學習方法的模糊聚類分析已成為文本分類研究的熱點，對基于模糊聚類的文本分類研究具有重大的理論和現(xiàn)實意義。然而，模糊聚類算法存在初始值敏感問題。因此，本文提出了一種遺傳算法優(yōu)化模糊聚類的文本分類算法。 本文對模糊C-均值（FCM）聚類算法的一種改進算法-特征加權(quán)的FCM（WFCM）聚類算法，與FCM算法進行了測試比較。結(jié)果表

2、明，WFCM聚類算法提高聚類的正確率。遺傳算法是一種高效率的隨機全局優(yōu)化搜索算法，本文將遺傳算法與FCM結(jié)合產(chǎn)生基于遺傳算法的特征加權(quán)的FCM（WFCM）聚類算法（GWFCM），充分發(fā)揮FCM的局部搜索和遺傳算法的全局搜索能力。本文在研究現(xiàn)有聚類類別數(shù)目自動學習的基礎(chǔ)上，對聚類的有效性判斷加以改進，在算法中動態(tài)改變聚類類別數(shù)目，以提高聚類的有效性和精確性。 針對編碼特征的問題，本文引入一個基因平均差異度的概念，算法的執(zhí)行過程中，

3、交叉和變異算子，動態(tài)地計算基因平均差異度值，使用該值以限制適應(yīng)度差的個體產(chǎn)生，從而優(yōu)化了遺傳算法的執(zhí)行性能。這種聚類方法在性能上比經(jīng)典的聚類算法有較大的改進，它通過非線性映射能夠較好地分辨、提取并放大有用的特征。 由于在遺傳算法的應(yīng)用中，采用了比例選擇算子，會產(chǎn)生進化早期的早熟收斂和進化后期的搜索效率下降等問題。為此，本文提出一種非線性排序選擇機制。在群體進化過程中，本文實施精英基因引入策略確保了遺傳進化的穩(wěn)定性，避免無效解的擴