资料下载
×
基于HMM和小波神经网络混合模型的Web信息抽取_李少天
消耗积分:1 |
格式:pdf |
大小:1075KB |
2017-03-08
#Freedom
分享资料个
基于HMM和小波神经网络混合模型的Web信息抽取_李少天
隐马尔科夫模型(HMM)是一种描述随机过程统计特性的概 率模型,有强大的动态时序建模能力。但 HMM 本身有一些缺点, 如分类决策能力弱,需要先验知识等,而且其自适应性,鲁棒性都 不够理想。人工神经网络(ANN)有很好的分类决策能力、自适应 性及鲁棒性,并已得到广泛应用。因此,充分利用二者各自的优 点,建立一个 HMM 和 ANN 的混合模型,可以进一步提高信息抽 取的精准度。 通过小波分析理论来指导初始化和参数选取的神经网络, 称为小波神经网络(WNN)。相对于 ANN,WNN 可以使网络具有 较简单的拓扑结构和较快的收敛速度。而且,小波基函数及整个 网络结构的确定有可靠的理论依据,避免了网络设计的盲目性。 本文提出一种 WNN 与 HMM 相结合的混合模型,并用于信息抽 取。混合模型将建立三种不同的 WNN:训练阶段通过 WNN(记 为 WNN)计算 HMM 的观察概率密度;信息抽取阶段根据网页节 点的特征值,利用 WNN(记为 WNN)从已建立的 HMM 集合中调 用相应的 HMM;对于 HMM 无法准确抽取的重要信息,将该节点 及其上下文节点的特征值输入到 WNN(记为 WNN),利用 WNN 做辅助判别。
隐马尔科夫模型(HMM)是一种描述随机过程统计特性的概 率模型,有强大的动态时序建模能力。但 HMM 本身有一些缺点, 如分类决策能力弱,需要先验知识等,而且其自适应性,鲁棒性都 不够理想。人工神经网络(ANN)有很好的分类决策能力、自适应 性及鲁棒性,并已得到广泛应用。因此,充分利用二者各自的优 点,建立一个 HMM 和 ANN 的混合模型,可以进一步提高信息抽 取的精准度。 通过小波分析理论来指导初始化和参数选取的神经网络, 称为小波神经网络(WNN)。相对于 ANN,WNN 可以使网络具有 较简单的拓扑结构和较快的收敛速度。而且,小波基函数及整个 网络结构的确定有可靠的理论依据,避免了网络设计的盲目性。 本文提出一种 WNN 与 HMM 相结合的混合模型,并用于信息抽 取。混合模型将建立三种不同的 WNN:训练阶段通过 WNN(记 为 WNN)计算 HMM 的观察概率密度;信息抽取阶段根据网页节 点的特征值,利用 WNN(记为 WNN)从已建立的 HMM 集合中调 用相应的 HMM;对于 HMM 无法准确抽取的重要信息,将该节点 及其上下文节点的特征值输入到 WNN(记为 WNN),利用 WNN 做辅助判别。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
评论(0)
发评论
- 相关下载
- 相关文章
