基于深度卷积神经网络的水稻知识文本分类方法

摘要：

为解决文本特征提取不准确和因网络层次加深而导致模型分类性能变差等问题,提出基于深度卷积神经网络的水稻知识文本分类方法.针对水稻知识文本的特点,采用Word2Vec方法进行文本向量化处理,并与One-Hot、TF-IDF和Hashing方法进行对比分析,得出Word2Vec方法具有较高的分类精度,正确率为86.44％,能够有效解决文本向量表示稀疏和信息不完整等问题.通过调整残差网络(Residual network,ResNet)结构,分析残差模块结构和网络层次对分类网络的影响,构建了 9种分类网络结构,测试结果表明,具有4层残差模块结构的网络具有较好的特征提取精度,Top-1准确率为99.79％.采用优选出的4层残差模块结构作为基本结构,使用胶囊网络(Capsule network,CapsNet)替代其池化层,设计了水稻知识文本分类模型.与FastText、BiLSTM、Atten-BiGRU、RCNN、DPCNN和TextCNN等6种文本分类模型的对比分析表明,本文设计的文本分类模型能够较好地对不同样本量和不同复杂程度的水稻知识文本进行精准分类,模型的精准率、召回率和F1值分别不小于95.17％、95.83％和95.50％,正确率为98.62％.本文模型能够实现准确、高效的水稻知识文本分类,满足实际应用需求.

关键词：水稻知识文本、文本分类、深度卷积神经网络、向量化处理、特征提取、分类模型

所属期刊栏目：52

分类号：TP183(自动化基础理论)

资助基金：国家重点研发计划项目2018YFD0300309

在线出版日期：2021-05-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：257-264