摘要
针对神经网络进行小样本数据训练时出现文本表征精确度低及特征过拟合,易造成权值全局最优和局部最优的不平衡现象,提出一种基于粒子群的双向长短期记忆网络(Bi-PSO)算法,利用Bi-LSTM对序列数据中长短期距离依赖信息的能力,对文本特征矩阵进行最小残差化处理得到降维矩阵,并通过粒子群算法获取降维矩阵中特征向量的全局最优和局部最优权重,最终进行权重类间、类内距离的迭代计算获得最优特征子集.仿真实验表明:Bi-PSO算法在文本特征拟合精度上得到了提升,算法精确度比Bi-LSTM平均提高了2.225％,在处理样本数目为200～600小样本数据集时拟合效果良好.
NETL
NSTL
维普
万方数据