✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。
🍎个人主页：Matlab科研工作室
🍊个人信条：格物致知。
更多Matlab仿真内容点击👇
⛄ 内容介绍
一种基于长短时记忆网络和卷积神经网络的文本分类方法,首先,利用词向量将输入文本进行向量表示,通过三层CNN提取文本的局部特征,进而整合出全文语义,同时,使用LSTM存储文本序列中历史信息的特征,以获取文本的上下文依赖关系,其次,将输入向量分别与各层CNN的输出相融合,缓解深层神经网络中层与层之间特征传递时出现的特征丢失问题.本发明适用于文本分类,具有运行效率高,运行时间短的优点,解决了传统分类技术在处理复杂抽象和上下文的强相关性文本时的缺陷.
⛄ 部分代码
%% Add path
addpath(genpath('MM_testfunctions/'));
addpath(genpath('Indicator_calculation/'));
clear all
clc
% rand('state',sum(100*clock));
global fname
N_function=11;% number of test function
popsize=800;
Max_evaluation=80000;
Max_Gen=fix(Max_evaluation/popsize);
% Note: It may take a long time to run all 11 test functions and with
% population size 800 and generation 100. You can change N_function to 1,
% popsize to 100, Max_evaluation to 1000, to see how the MO_Ring_PSO_SCD
% works.
for i=1:N_function
switch i
case 1
fname='MMF1'; % function name
n_obj=2; % the dimensions of the decision space
n_var=2; % the dimensions of the objective space
xl=[1 -1]; % the low bounds of the decision variables
xu=[3 1]; % the up bounds of the decision variables
repoint=[2,2]; % reference point used to calculate the Hypervolume
load('MMF1truePSPF.mat');
case 2
fname='MMF2';
n_obj=2;
n_var=2;
xl=[0 0];
xu=[1 2];
repoint=[2,2];
load('MMF2truePSPF.mat');
case 3
fname='MMF3';
n_obj=2;
n_var=2;
xl=[0 0];
xu=[1 1.5];
repoint=[2,2];
load('MMF3truePSPF.mat');
case 4
fname='MMF4';
n_obj=2;
n_var=2;
xl=[-1 0];
xu=[1 2];
repoint=[2,2];
load('MMF4truePSPF.mat');
case 5
fname='MMF5';
n_obj=2;
n_var=2;
xl=[1 -1];
xu=[3 3];
repoint=[2,2];
load('MMF5truePSPF.mat');
case 6
fname='MMF6';
n_obj=2;
n_var=2;
xl=[1 -1];
xu=[3 2];
repoint=[2,2];
load('MMF6truePSPF.mat');
case 7
fname='MMF7';
n_obj=2;
n_var=2;
xl=[1 -1];
xu=[3 1];
repoint=[2,2];
load('MMF7truePSPF.mat');
case 8
fname='MMF8';
n_obj=2;
n_var=2;
xl=[-pi 0];
xu=[pi 9];
repoint=[2,2];
load('MMF8truePSPF.mat');
case 9
fname='SYM_PART_simple';
n_obj=2;
n_var=2;
xl=[-20 -20];
xu=[20 20];
repoint=[2,2];
load('SYM_PART_simple_turePSPF.mat');
case 10
fname='SYM_PART_rotated';
n_obj=2;
n_var=2;
xl=[-20 -20];
xu=[20 20];
repoint=[2,2];
load('SYM_PART_rotatedtruePSPF.mat');
case 11
fname='Omni_test';
n_obj=2;
n_var=3;
xl=[0 0 0];
xu=[6 6 6];
repoint=[5,5];
load('Omni_testtruePSPF.mat');
end
fprintf('Running test function: %s \n', fname);
%% Search the PSs using MO_Ring_PSO_SCD
[ps,pf]=MO_Ring_PSO_SCD(fname,xl,xu,n_obj,popsize,Max_Gen);
%% Indicators
hyp=Hypervolume_calculation(pf,repoint);
IGDx=IGD_calculation(ps,PS);
CR=CR_calculation(ps,PS);
PSP=CR/IGDx;% Eq. (8) in the paper
⛄ 运行结果
⛄ 参考文献
[1]张潘頔等. "一种基于LSTM卷积神经网络的多标签文本分类方法.", CN110442720A. 2019.
