文档介绍：基于粒子群优化的快速KNN分类算法
张景祥济南大学计算机工程学院计算机专业英语教程
科技英语, 专业英语, IT英语
特点:词汇、术语、专用语
主要内容
1 论文背景与意义
2 k近邻分类文本分类算法
3 粒子群优化算法
4 基于粒子群算法的K近邻分类算法
5 实验结果
1 论文背景与意义
基于机器学习的文本分类过程,与智能优化技术结合,对于庞大的文档集合分类,利于提高分类的速度和精度。
智能优化应该作为文本分类的重要一环。
2 k近邻分类文本分类算法
①计算测试文本X的特征项权重,文档特征向量w=[w1, w2,…, wM];
②对训练集中的任一文本Xj,生成文档向量wj=[wj,1, wj,2,…, wj,M];
③计算训练文本集样本与测试文本的相似度,选出与测试文本最相似的 k个文本;
④在新文本的 k个近邻中,依次计算每类的权重

⑤比较类的权重,将文本分到权重最大的类CI中。
3 粒子群优化算法PSO
粒子群优化算法是群体智能优化方法
使用并行和结构化策略,随机但有指导性地加强高维空间的搜索能力。
所搜索的目标空间点有最小的适应度函数值
具有全局搜索和快速收敛的特点
PSO种群中任一粒子i的移动速度
PSO种群中任一粒子i的位置
3 粒子群优化算法
4 基于PSO的K近邻分类算法
文档分类的训练样本集规模很大
KNN方法穷尽搜索整个样本空间的代价很大
粒子群算法群体的随机搜索能力,群体利用与其k个随机样本距离最近的粒子信息指导种群粒子的移动,在很小的搜索空间内快速获得k个近邻样本。
输入:文档集合文档总数N,近邻个数k,粒子群种群个数Q,误差阈值ε。
(1) 生成测试文档的文档特征向量w;
(2) 用随机函数在区间[1,N]内为Q个粒子各选择出k个整数(对应文档集合的文档序号)作为每个粒子的初始k个近邻位置,粒子群的初始速度为0;
(3) 计算w的k个最优近邻有序集合作为粒子群的全局最优位置,各粒子的位置先作为其局部最优位置。
(4) 置n=n+1,计算每个粒子的移动速度(即其k个近邻的序号偏移量)

(5) 从种群移动历史中选择w的k个最优近邻有序集合作为全局指导,
If ,则;从粒子j的移动历史中选择其k个最优近邻有序集合作为局部指导。
(6) 根据计算有序集合和与测试文档X的相似度和,如果算法停止,输出集合作为测试文档X的k个近邻。