南华大学计算机学院龚向坚,基于混合模拟退火一遗传算法和HMM 的Web 挖掘.pdf

最新推荐文章于 2021-08-30 15:19:29 发布

weixin_39796652

最新推荐文章于 2021-08-30 15:19:29 发布

阅读量105

点赞数

文章标签：南华大学计算机学院龚向坚

该文针对隐马尔可夫模型(HMM)训练算法的局部搜索特性及对初始参数敏感的问题，提出了一种混合模拟退火遗传算法(SGA)。通过SGA优化HMM的初始参数，改善了传统Baum-Welch算法易陷入局部最优的缺点。实验结果显示，该方法在Web挖掘中提高了REC和PRE的性能。

摘要由CSDN通过智能技术生成

第22卷第3期计算机技术与发展 V0l_22 No．3

2012年3月 COMPUTERTE CHNOLOGYANDDEVELOPMENT Mar． 2012

基于混合模拟退火一遗传算法和

HMM 的Web挖掘

邹腊梅，龚向坚

(南华大学计算机科学与技术学院，湖南衡阳421001)

摘要：隐马尔可夫模型训练算法是一种局部搜索算法，对初值敏感。传统方法采用随机参数训练隐马尔可夫模型时常

陷入局部最优，应用于Web挖掘效果不佳。遗传算法具有较强的全局搜索能力，但容易早熟、收敛慢，模拟退火算法具有

较强的局部寻优能力，但会随机漫游，全局搜索能力欠缺。综合考虑遗传算法和模拟退火算法的特点，提出混合模拟退火

一遗传算法SGA，优化HMM初始参数，弥补Baum—Welch算法对初始参数敏感的缺陷，Web挖掘的实验结果表明五个域提

取的REC和PRE都有明显的提高。

关键词：模拟退火算法；遗传算法；隐马尔可夫模型；Web挖掘

中图分类号：TP391 文献标识码：A 文章编号：1673—629X(2012)03—0106—04

W ebMiningBasedonHybridSimulatedAnnealing

GeneticAlgorithm andHMM

ZOULa-mei，GONGXiang-jian

(SchoolofComputerScienceandTechnology，UniversityofSouthChina，Hengynag421001，China)

Abstract：Thetrainingalgorithm whichisusedtotrainingHMM isasub—optimalalgorithm andsensitivetoinitialparameters．Typical

hiddenMrakovmodeloftenleadstosub-optimalwhentrainingitwithrandom parma eters．ItisineffectivewhenminingW ebinformation

wim typical HM ．GA hashteexcellentabmtyofglobalsearchingnadhashtedefectofslow convergencerate．SAhashteexcellentabil—

ityof localsearchingnadhashtedefectofrandomlyroaming．tIcombinestheadvantagesofgeneticalgorithm andsimulatednanealingal-

gorithm，proposeshybridsimulatednanealinggeneticalgorihtm(SGA)．SGAchoosesthebestSGAparametersbyexperimentandoptimi-

ZeSHMM combiningBaum-WelchduringhteCOUrseofW ebmining．Theexperimentalresetsshow htathteSGA significantlyimproves

theperfomr naceinprecisionnadrecal1．

Keywords：simulatednanealingalgorithm；geneticalgorihtm；hiddenMarkovmodel；W ebmining

O 引言联网中大部分信息是未经处理的文本数据，运用 HMM

随着互联网的发展进入 Web2．0时代，Web已经进行 Web挖掘是一种基于统计学习的方法。因为是

成为信息制造、发布、加

关注