面向文本分类的多学科协同建模理论与实验研究

The main content of Multidisciplinary Collaborative Modeling Theory and Experimental Research Oriented Text Classification including: In modeling, Constructing the model of text classification rules and text feature selection model with Particle Swarm Optimization algorithms, improving Particle Swarm Optimization parameters and its encoding model. Applying the low-pass filter template construction principle in image processing technology to establish the text feature weight adjustment model. Establishing a text feature weight calculation methodology based on Category-Distribution Divergence. Constructing an improved KNN classifier based on feature selection model and low-pass filter template construction principle. Constructing Optimal Hyper Plane to optimize SVM classifier with improved PSO algorithm. In experimenting, constructing a new experimental platform which can analyze and verify not only the constructed model of our study, but also the traditional classic classifications.

面向文本分类的多学科协同建模理论与实验研究的主要内容包括：建模研究方面：采用群集智能算法中的粒子群优化算法，构建文本分类规则模型、文本特征选择模型和粒子群算法参数和编码方式的改进模型；利用图像处理技术中的低通滤波模板构建原理，建立文本特征项权重调整模型；构造数学函数，建立基于类间分布差异的文本特征项权重计算模型；利用文本特征选择模型、低通滤波模板构建原理优化KNN分类方法；构建最优超平面，用改进的粒子群算法优化SVM分类方法。实验研究方面，设计并构建一个新的实验平台，该平台不仅能对本研究所购建的模型进行分析与验证，还能对传统的经典分类方法进行分析与验证。

从文本分类研究的现状来看，经典文本分类模型已经很难进一步提高文本分类的准确率和效率，综合应用其它学科的相关理论和方法构建新的文本分类模型才有可能提高文本分类的准确率。本研究通过运用群集智能算法、图像处理技术中的低通滤波模板构造理论以及数学建模理论等多学科中的相关原理对文本分类过程的特征选取、特征权值调整以及文本分类规则的建模方法进行了理论研究和实验研究，并由此构建了相应的模型，在一定程度上解决了文本分类中效果和效率的问题，为之后的文本语义挖掘研究打下坚实的理论和实验基础。