基于RBF神经网络的网页分类技术研究-计算机科学与技术专业论文.docxVIP

摘 要 随着Intemet的普及，网络已经成为人们获取信息的主要途径，为了帮助人们从海 量网页中获取有用的信息，网页自动分类技术应运而生，其可以快速有效地分析和组织 海量网页信息，它是利用机器学习的方法对网页实现自动类别标注。在众多网页分类算 法中，RBF神经网络因其出色的分类能力，成为机器学习的研究热点。 介绍了网页分类的流程，分析了RBF神经网络技术发展、原理和相关技术，讨论 了RBF神经网络在网页分类中的重要作用。阐述了目前RBF神经网络常用训练算法， 研究了在多实例多标签框架下发展而来的MIMLRBF神经网络模型。针对MIMLRBF 在不平衡样本下分类效果差的问题，提出了改进的训练算法，考虑了样本的整体分行情 况，使各类上产生的隐含层神经元趋于平衡，减少了不平衡样本对网络模型的影响。 针对SVD方法在含有噪声数据的样本集上会导致网络整体误差变大的问题，提出 了基于最速下降法优化的权重训练算法，使用SVD方法初始化权值矩阵，采用最速下 降法优化权值矩阵，并利用新权值矩阵的误差平方和函数计算学习率矩阵，提高了 MIMLRBF神经网络在含有噪声数据的样本集上的分类精度。 最后，将改进后的训练算法应用到网页分类系统中，并对改进算法进行了实验对比 和性能分析。实验数据表明，本文算法具有更高的分类效率和准确率。 关键词：MIMLRBF神经网络，网页分类，不平衡样本集，奇异值分解，最速