基于模糊支持向量机的网络多模态数据自适应分类

针对多模态数据结构差异大、数据分布不平衡等问题,提出一种基于模糊支持向量机的网络多模态数据自适应分类方法,从而有效捕捉和利用不同模态数据之间的内在联系,提升分类性能。通过构建双通道特征提取网络,将预处理后的网络多模态数据作为输入,上层通道利用CNN捕捉视频图像的深层次特征,下层通道利用TextCNN-GRU学习网络文本数据的上下文语义特征,再对上下层通道提取的特征进行拼接处理,完成多模态数据特征的提取。之后将特征样本作为模糊支持向量机的输入,引入特征样本至类簇中心的距离信息以及特征样本的紧密度信息,计算每个特征样本的模糊隶属度。最后利用带有模糊信息的特征样本训练模糊支持向量机,实现网络多模态数据的分类。实验结果表明:所提方法可实现网络多模态数据的精准分类,各类型数据的分类准确率不低于93.6%;且多模态特征提取能够提供更丰富的数据表征,有利于分类效果的提升。

资料为PDF文档格式.

本文档关键词:模糊,数据,网络,向量,自适应