本文關(guān)鍵詞：基于SVM的識別初等數(shù)學(xué)中相對運動應(yīng)用題的研究

  更多相關(guān)文章： 文本分類 機器解答 SVM

【摘要】：自上世紀(jì)五十年代以來人工智能領(lǐng)域經(jīng)歷近七十年的發(fā)展,已然有頗豐的成果,機器解答數(shù)學(xué)習(xí)題正是建立在前人的累累碩果之上的前沿研究。機器解答數(shù)學(xué)應(yīng)用題需要經(jīng)過題目讀入、題目理解、機器解答和類人輸出這一系列的步驟。本論文中的題目理解是指對輸入的應(yīng)用題在文本分類和信息抽取方法的途徑上建立題目的數(shù)量關(guān)系組。這樣的題目理解方法首先需要識別出給定題目的題目類型,再根據(jù)識別出的類型,抽取和添加相應(yīng)的數(shù)量關(guān)系,其中包含直陳述關(guān)系和隱含關(guān)系。題目類型識別,還可用于將分類好的題目交由與之對應(yīng)的特定解題框架進行求解。本論文所做的工作為應(yīng)用題的分類識別,具體而言,是采用基于支持向量機SVM分類的方法,識別一個給定的應(yīng)用題是否為相對運動應(yīng)用題。為了實現(xiàn)這一目標(biāo),本文構(gòu)建了數(shù)學(xué)題目類型識別器,識別器基于SVM算法,通過對數(shù)學(xué)應(yīng)用題題目樣本進行訓(xùn)練建構(gòu)預(yù)測模型,從而對未知數(shù)學(xué)應(yīng)用題題目樣本集進行分類預(yù)測,實現(xiàn)了識別給定的習(xí)題是否是相對運動應(yīng)用題的功能。本文的主要研究工作如下：第一,本文研究了數(shù)學(xué)應(yīng)用題中隱含關(guān)系提取的一個具體問題,在機器解答數(shù)學(xué)應(yīng)用題過程中需不需要添加相對運動的公式,即判斷應(yīng)用題是否為相對運動應(yīng)用題。通過對輸入的訓(xùn)練題目文本集進行分詞,用詞袋法對抽取的特征進行特征向量表示,訓(xùn)練好學(xué)習(xí)模型后讀入測試樣本,用同樣的方法對測試樣本進行向量化。最終利用SVM分類算法對題目文本是否為相對運動問題進行判斷與識別。第二,本文將從初級中學(xué)權(quán)威教輔材料中收集的數(shù)學(xué)應(yīng)用題組成測試集,進行實證研究,通過實驗驗證了該分類模型的性能。最后的實驗效果顯示該題目文本分類器模型能以100%的正確率識別給定初等數(shù)學(xué)中應(yīng)用題是否是相對運動應(yīng)用題。
【關(guān)鍵詞】：文本分類 機器解答 SVM
【學(xué)位授予單位】：華中師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：G434;G633.6
【目錄】：

• 摘要5-6
• Abstract6-11
• 第一章 緒論11-19
• 1.1 研究背景及意義11-13
• 1.2 國內(nèi)外研究現(xiàn)狀13-17
• 1.2.1 機器解答的研究現(xiàn)狀14-15
• 1.2.2 文本分類的研究現(xiàn)狀15-16
• 1.2.3 支持向量機(SVM)的應(yīng)用現(xiàn)狀16-17
• 1.3 本文的工作和組織結(jié)構(gòu)17-19
• 第二章 相關(guān)理論基礎(chǔ)19-29
• 2.1 文本分類19-22
• 2.1.1 文本分類概述19-21
• 2.1.2 文本分類的任務(wù)21
• 2.1.3 文本分類的過程21-22
• 2.2 統(tǒng)計學(xué)習(xí)理論22-24
• 2.2.1 機器學(xué)習(xí)定義22-23
• 2.2.2 經(jīng)驗風(fēng)險最小化原理23
• 2.2.3 結(jié)構(gòu)風(fēng)險最小化原理23-24
• 2.3 支持向量機24-27
• 2.3.1 最優(yōu)分類面25
• 2.3.2 核函數(shù)25-27
• 2.3.3 松弛變量27
• 2.4 本章小結(jié)27-29
• 第三章 基于支持向量機的題目類別識別器的設(shè)計與實現(xiàn)29-34
• 3.1 機器解答概述29-30
• 3.2 系統(tǒng)模型30-31
• 3.3 詳細設(shè)計31-33
• 3.3.1 訓(xùn)練32
• 3.3.2 預(yù)測32-33
• 3.4 本章小結(jié)33-34
• 第四章 數(shù)學(xué)應(yīng)用題題目樣本預(yù)處理與向量化表示34-40
• 4.1 文本的預(yù)處理方法34-35
• 4.1.1 文本分詞技術(shù)35
• 4.1.2 停用詞處理35
• 4.2 文本表示理論35-36
• 4.3 實驗樣本預(yù)處理和向量化表示36-40
• 4.3.1 數(shù)學(xué)應(yīng)用題題目樣本預(yù)處理36-38
• 4.3.2 數(shù)學(xué)應(yīng)用題題目樣本向量化表示38-40
• 第五章 相對運動應(yīng)用題識別器特征選擇40-45
• 5.1 文本特征選擇方法40-43
• 5.1.1 IG信息增益法40-41
• 5.1.2 特征詞的頻率法DF41-42
• 5.1.3 互信息法MI42
• 5.1.4 CHI統(tǒng)計法42-43
• 5.2 實驗特征選擇43-45
• 第六章 實驗與分析45-56
• 6.1 題型識別器實驗樣本45-47
• 6.1.1 訓(xùn)練樣本46
• 6.1.2 測試樣本46
• 6.1.3 題庫文本46-47
• 6.2 題型識別器實驗步驟47-54
• 6.2.1 訓(xùn)練過程47-51
• 6.2.2 測試過程51-54
• 6.3 題型識別器的實驗結(jié)果及性能評價54-55
• 6.3.1 文本分類的性能評價標(biāo)準(zhǔn)54-55
• 6.3.2 題型識別器的性能評價55
• 6.4 本章小結(jié)55-56
• 第七章 總結(jié)及展望56-58
• 7.1 總結(jié)56
• 7.2 展望56-58
• 參考文獻58-61
• 攻讀碩士期間發(fā)表的論文61-62
• 致謝62

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前2條

1 楊勝,施鵬飛;Bidirectional Automated Branch and Bound Algorithm for Feature Selection[J];Journal of Shanghai University;2005年03期

2 忻棟,楊瑩春,吳朝暉;基于SVM-HMM混合模型的說話人確認(rèn)[J];計算機輔助設(shè)計與圖形學(xué)學(xué)報;2002年11期

，

本文編號：753976