常州大学学报（自然科学版）
常州大學學報（自然科學版）
상주대학학보（자연과학판）
Journal of ChangZhou University(Natural Science Edition)
2013年
4期
44-47
,共4页
刘平%叶施仁%杨长春%侯振杰%肖飞
劉平%葉施仁%楊長春%侯振傑%肖飛
류평%협시인%양장춘%후진걸%초비
长微博贴图%支持向量机%粒子群优化算法%最佳分类模型
長微博貼圖%支持嚮量機%粒子群優化算法%最佳分類模型
장미박첩도%지지향량궤%입자군우화산법%최가분류모형
images representing long microblog%support vector machine%particle swarm optimization%best classification model
微博由于字数的限制,当用户需要发较多内容时通常以附图的形式给出,识别包含文本内容贴图的长微博能够为微博研究提供更多有用的数据.在支持向量机(SVM)的基础上结合粒子群算法(PSO)提出了一种识别长微博贴图的PSO-SVM算法.该方法提取长微博贴图的颜色矩和灰度共生矩阵特征,然后利用PSO算法对SVM模型中的误差惩罚参数和核函数进行优化得到最佳分类模型,其最优参数将被用作长微博贴图和非长微博贴图进行分类.实验表明,与传统的基于网格搜索法优化的SVM算法相比,PSO-SVM算法对长微博贴图识别具有更高的准确率和召回率.
微博由于字數的限製,噹用戶需要髮較多內容時通常以附圖的形式給齣,識彆包含文本內容貼圖的長微博能夠為微博研究提供更多有用的數據.在支持嚮量機(SVM)的基礎上結閤粒子群算法(PSO)提齣瞭一種識彆長微博貼圖的PSO-SVM算法.該方法提取長微博貼圖的顏色矩和灰度共生矩陣特徵,然後利用PSO算法對SVM模型中的誤差懲罰參數和覈函數進行優化得到最佳分類模型,其最優參數將被用作長微博貼圖和非長微博貼圖進行分類.實驗錶明,與傳統的基于網格搜索法優化的SVM算法相比,PSO-SVM算法對長微博貼圖識彆具有更高的準確率和召迴率.
미박유우자수적한제,당용호수요발교다내용시통상이부도적형식급출,식별포함문본내용첩도적장미박능구위미박연구제공경다유용적수거.재지지향량궤(SVM)적기출상결합입자군산법(PSO)제출료일충식별장미박첩도적PSO-SVM산법.해방법제취장미박첩도적안색구화회도공생구진특정,연후이용PSO산법대SVM모형중적오차징벌삼수화핵함수진행우화득도최가분류모형,기최우삼수장피용작장미박첩도화비장미박첩도진행분류.실험표명,여전통적기우망격수색법우화적SVM산법상비,PSO-SVM산법대장미박첩도식별구유경고적준학솔화소회솔.
