公开(公告)号：CN113282756B

公开(公告)日：2023-01-10

申请号：CN202110731348.8

申请日：2021-06-29

Applicant: 华南农业大学

Inventor： 李康顺 ,  雷逸舒 ,  郑明坤 ,  张海信 ,  魏航 ,  唐威 ,  钱冠如

IPC: G06F16/35 ,  G06F40/216 ,  G06N3/00

Abstract: 本发明公开一种基于混合聚类的文本聚类智能评估方法，该方法包括下述步骤：对文本集预处理得到原始文本集内所有特征词；删除文本集中高频和低频的特征词得到预选择后的特征子集；采用TF‑IDF方法计算原始文本集中所有文本对应权重；对特征子集中的每个特征词进行二进制编码，对文本特征预选择后的特征词生成矩阵；设定适应值函数，对特征子集进行特征再选择，选取适应值最优的全局最优个体；对全局最优个体进行解码，得到最终特征子集T；采用TF‑IDF方法表示成T上的向量并进行归一化、标准化，采用混合聚类方法进行文本聚类，选出聚类的最终结果；为聚类结果中的每个簇生成词云。本发明具有聚类效果好，计算量较小的优点。

公开(公告)号：CN113282756A

公开(公告)日：2021-08-20

申请号：CN202110731348.8

申请日：2021-06-29

Applicant: 华南农业大学

Inventor： 李康顺 ,  雷逸舒 ,  郑明坤 ,  张海信 ,  魏航 ,  唐威 ,  钱冠如

IPC: G06F16/35 ,  G06F40/216 ,  G06K9/62 ,  G06N3/00

Abstract: 本发明公开一种基于混合聚类的文本聚类智能评估方法，该方法包括下述步骤：对文本集预处理得到原始文本集内所有特征词；删除文本集中高频和低频的特征词得到预选择后的特征子集；采用TF‑IDF方法计算原始文本集中所有文本对应权重；对特征子集中的每个特征词进行二进制编码，对文本特征预选择后的特征词生成矩阵；设定适应值函数，对特征子集进行特征再选择，选取适应值最优的全局最优个体；对全局最优个体进行解码，得到最终特征子集T；采用TF‑IDF方法表示成T上的向量并进行归一化、标准化，采用混合聚类方法进行文本聚类，选出聚类的最终结果；为聚类结果中的每个簇生成词云。本发明具有聚类效果好，计算量较小的优点。

公开(公告)号：CN111768027A

公开(公告)日：2020-10-13

申请号：CN202010463027.X

申请日：2020-05-27

Applicant: 华南农业大学

Inventor： 李康顺 ,  王梓铭 ,  刘嘉豪 ,  方鸿铭 ,  雷逸舒

IPC: G06Q10/04 ,  G06Q10/06 ,  G06K9/62 ,  G06N3/08 ,  G06N3/04

Abstract: 本发明公开了基于强化学习的再犯罪风险预测方法、介质和计算设备，首先构建训练样本集，针对训练样本集进行聚类；针对于聚类得到的N个类，分别构建N个BP神经网络；将各训练样本属性，输入到对应的BP神经网络中，对BP神经网络进行训练，得到再犯罪风险预测模型；针对于需要预测再犯罪风险的测试样本，计算测试样本与各聚类中心之间的距离，选取出与测试样本之间距离最小的聚类中心，将该聚类中心所属聚类对应的训练好的神经网络作为测试样本的再犯罪风险预测模型，将测试样本的属性，输入到测试样本的再犯罪风险预测模型中，通过该模型对测试样本的再犯罪行为进行预测。本发明使得再犯罪预测的效果更加真实有效、准确以及计算速度更快。