本文關(guān)鍵詞：深度置信網(wǎng)絡(luò)在垃圾郵件過濾中的應(yīng)用　出處：《計(jì)算機(jī)應(yīng)用》2014年04期 　論文類型：期刊論文

  更多相關(guān)文章： 垃圾郵件 深度置信網(wǎng)絡(luò) 分類 受限玻爾茲曼機(jī) 支持向量機(jī)

【摘要】：針對(duì)深層神經(jīng)網(wǎng)絡(luò)初始化方法不明確、泛化能力差而導(dǎo)致解決垃圾郵件過濾時(shí)效果較差的問題,提出了基于深度置信網(wǎng)絡(luò)的分類方法。深度置信網(wǎng)絡(luò)通過逐層無監(jiān)督的方法來預(yù)訓(xùn)練網(wǎng)絡(luò),實(shí)現(xiàn)了網(wǎng)絡(luò)的初始化。在LingSpam,SpamAssassin和Enron1三個(gè)廣泛使用的數(shù)據(jù)集上,通過與目前最好的垃圾郵件過濾方法支持向量機(jī)(SVM)在分類性能上進(jìn)行比較,實(shí)驗(yàn)結(jié)果表明深度置信網(wǎng)絡(luò)的垃圾郵件過濾方法是有效的,獲得了較高的準(zhǔn)確率和召回率。
[Abstract]:Aiming at the problem that the initialization method of deep neural network is not clear and the generalization ability is poor, the problem of how to solve the problem of spam filtering is poor. A classification method based on deep belief network is proposed. The deep confidence network pretrains the network through the unsupervised layer by layer, and realizes the initialization of the network. In LingSpam, SpamAssassin and Enron1 three widely used data sets, with the current spam filtering method is the best support vector machine (SVM) to compare the classification performance, experimental results show that the method of spam filtering deep belief network is effective, high accuracy and recall rate.
【作者單位】： 遼寧工程技術(shù)大學(xué)電子與信息工程學(xué)院;遼寧工程技術(shù)大學(xué)研究生學(xué)院;
【基金】：國(guó)家青年科學(xué)基金資助項(xiàng)目(61003162) 國(guó)家科技支撐計(jì)劃項(xiàng)目(2013bah12f01)
【分類號(hào)】：TP393.098
【正文快照】： 0引言電子郵件的速度快、成本低等優(yōu)勢(shì)使其成為人們用于思想和信息交流的強(qiáng)大工具,然而伴隨而來的垃圾郵件成為當(dāng)今網(wǎng)絡(luò)的一個(gè)重要問題[1]。根據(jù)Ferris的研究估計(jì),垃圾郵件數(shù)量占美國(guó)一家企業(yè)組織總電子郵件的15%至20%。在這樣的情況下,垃圾郵件造成了大量的帶寬浪費(fèi)和郵件系

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 孫志軍;薛磊;許陽明;王正;;深度學(xué)習(xí)研究綜述[J];計(jì)算機(jī)應(yīng)用研究;2012年08期

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 許高程;張文君;王衛(wèi)紅;;支持向量機(jī)技術(shù)在遙感影像滑坡體提取中的應(yīng)用[J];安徽農(nóng)業(yè)科學(xué);2009年06期

2 管翠萍;;藥物靶標(biāo)G蛋白偶聯(lián)受體的識(shí)別預(yù)測(cè)[J];安徽農(nóng)業(yè)科學(xué);2010年24期

3 劉婷婷;;基于支持向量機(jī)的水稻紋枯病識(shí)別研究[J];安徽農(nóng)業(yè)科學(xué);2011年28期

4 高闖;王立東;周世宇;;基于支持矢量機(jī)的宮頸細(xì)胞分類[J];遼寧科技大學(xué)學(xué)報(bào);2009年03期

5 汪廷華;田盛豐;黃厚寬;廖年冬;;樣本屬性重要度的支持向量機(jī)方法[J];北京交通大學(xué)學(xué)報(bào);2007年05期

6 尚磊;劉風(fēng)進(jìn);;基于支持向量機(jī)的手寫體數(shù)字識(shí)別[J];兵工自動(dòng)化;2007年03期

7 胡淑燕;鄭鋼鐵;;應(yīng)用支持向量機(jī)的眼瞼參數(shù)疲勞預(yù)測(cè)[J];北京航空航天大學(xué)學(xué)報(bào);2009年08期

8 王自強(qiáng);段愛玲;張德賢;;基于自適應(yīng)核函數(shù)的支持向量數(shù)據(jù)描述算法[J];北京化工大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年02期

9 陳增照;楊揚(yáng);董才林;何秀玲;;支持向量機(jī)動(dòng)態(tài)學(xué)習(xí)方法及其在票據(jù)識(shí)別中的應(yīng)用[J];北京科技大學(xué)學(xué)報(bào);2006年02期

10 郭輝;劉賀平;王玲;;基于最小二乘支持向量機(jī)對(duì)偶優(yōu)化問題的核偏最小二乘[J];北京科技大學(xué)學(xué)報(bào);2006年08期

相關(guān)會(huì)議論文 前10條

1 ;An effective procedure exploiting unlabeled data to build monitoring system[A];中國(guó)科學(xué)院地質(zhì)與地球物理研究所第11屆（2011年度）學(xué)術(shù)年會(huì)論文集(下)[C];2012年

2 ;A Novel Kernel PCA Support Vector Machine Algorithm with Feature Transition Function[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

3 呂蓬;柳亦兵;馬強(qiáng);魏于凡;;支持向量機(jī)在齒輪智能故障診斷中的應(yīng)用研究[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

4 ;Fault Pattern Recognition of Rolling Bearings Based on Wavelet Packet and Support Vector Machine[A];第二十七屆中國(guó)控制會(huì)議論文集[C];2008年

5 蔣少華;桂衛(wèi)華;陽春華;唐朝暉;蔣朝輝;;基于主元分析與支持向量機(jī)的方法及其在密閉鼓風(fēng)爐過程監(jiān)控診斷中的應(yīng)用[A];第二十七屆中國(guó)控制會(huì)議論文集[C];2008年

6 王海豐;李壯;任洪娥;趙鵬;;基于非下采樣Contourlet變換和SVM的紋理圖像分割算法[A];第二十九屆中國(guó)控制會(huì)議論文集[C];2010年

7 ;Image Classification with Ant Colony Based Support Vector Machine[A];中國(guó)自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)A卷[C];2011年

8 晉朝勃;胡剛強(qiáng);史廣智;李玉陽;;一種采用支持向量機(jī)的水中目標(biāo)識(shí)別方法[A];中國(guó)聲學(xué)學(xué)會(huì)水聲學(xué)分會(huì)2011年全國(guó)水聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2011年

9 劉英林;劉洪鵬;g竊，

本文編號(hào)：1344518