典型文献
基于文本挖掘的铁路信号设备故障自动分类方法
文献摘要：
铁路信号设备在运营维护过程中积累了大量以文本方式记录的维护数据,为了实现高效准确分类,提出将Word2vec、SMOTE算法与卷积神经网络(Convolutional?Neural?Networks,?CNN)相结合的铁路信号设备故障文本自动分类方法.?首先,对故障文本使用自然语言方法完成预处理,并采用Word2vec训练词向量;其次,通过SMOTE算法自动生成小类别文本向量数据,嵌入至CNN的输入层;再次,利用CNN的卷积层和池化层提取故障文本的局部上下文高层特征;最后,通过softmax分类器对故障文本自动分类.?依据某铁路局所记录的信号设备故障文本数据进行实验分析并与其他方法对比,实验结果表明新方法可使各评价指标得到明显提升,其中分类准确率和召回率分别达到95.26％和94.32％,可以作为铁路信号设备故障自动分类的有效方法.
文献关键词：
铁路信号设备;Word2vec;SMOTE算法;卷积神经网络;故障文本数据;自动分类
中图分类号：
作者姓名：
林海香;陆人杰;卢冉;许丽
作者机构：
兰州交通大学 自动化与电气工程学院,甘肃 兰州 730070
文献出处：
引用格式：
[1]林海香;陆人杰;卢冉;许丽-.基于文本挖掘的铁路信号设备故障自动分类方法)[J].云南大学学报（自然科学版）,2022(02):281-289
A类：
B类：
文本挖掘,铁路信号设备,设备故障,自动分类方法,运营维护,Word2vec,SMOTE,Convolutional,Neural,Networks,文本自动分类,自然语言,言方,词向量,自动生成,文本向量,输入层,卷积层,池化,局部上下文,softmax,分类器,铁路局,局所,故障文本数据,其他方法,方法对比,分类准确率,召回率
AB值：
0.293903
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
