声明
第1章 绪论
1.1 选题背景与意义
1.2 文本识别在国内外研究现状与分析
1.2.1 文本分词方法研究现状
1.2.2 特征提取方法研究现状
1.2.3 文本表示方法研究现状
1.2.4 机器学习在文本识别中的现状与分析
1.2.5 深度学习在文本识别中的现状与分析
1.3 本文技术路线及研究内容
1.3.1 技术路线
1.3.2 研究内容
1.4 本文组织结构
第2章 文本识别算法的理论基础
2.1 机器学习相关理论基础
2.1.1 支持向量机算法的理论基础
2.1.2 K-最近邻算法的理论基础
2.1.3 朴素贝叶斯算法的理论基础
2.1.4 Gradient Boosting算法的理论基础
2.1.5 Logistic回归算法的理论基础
2.2 深度学习相关理论基础
2.2.1 循环神经网络模型的理论基础
2.2.2 长短时记忆网络模型的理论基础
2.3 本章小结
第3章 故障文本空间向量模型的建立
3.1 电气设备故障数据特征分析
3.1.1 故障文本特点
3.1.2 故障文本预处理
3.1.3 故障信息文本表示
3.2 基于改进的M-CHI算法的故障文本特征提取
3.2.1 基于卡方统计量特征提取的分析
3.2.2 基于互信息法特征提取的分析
3.2.3 基于M-CHI特征提取的分析
3.3 故障文本分类流程及评价指标
3.3.1 故障文本分类流程
3.3.2 文本分类技术评价指标
3.4 本章小结
第4章 机器学习算法在文本识别中的分析与应用
4.1 SVM算法在电气设备故障文本中的应用
4.2 KNN算法在电气设备故障文本中的应用
4.3 NB算法在电气设备故障文本中的应用
4.4 GBM算法在电气设备故障文本中的应用
4.5 LR算法在电气设备故障文本中的应用
4.6 五种机器学习算法的比较
4.7 本章小结
第5章 DA-BiLSTM分类模型在故障文本识别的研究与应用
5.1 深度学习文本分类流程
5.2 Word2vec词向量模型
5.3 深层注意力机制
5.4 DA-BiLSTM分类模型的建立
5.5 DA-BiLSTM模型的实验分析
5.6 本章小结
第6章 总结与展望
6.1 论文工作总结
6.2 工作展望
参考文献
攻读硕士学位期间发表的论文及其它成果
致谢
