欢迎来到天天文库
浏览记录
ID:34770895
大小:2.00 MB
页数:72页
时间:2019-03-10
《探析基于神经网络的邮件分类识别研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、x,,。T978050_山!QZ!Q=2圣翌!长安大学硕士学位论文申请学位级别硕士论文提交日期2QQ亘:5:2垒论文答辩日期2QQ鱼生互目12目摘要随着电了邮件的广泛应用,±々圾邮州干{为商业广告、恶意程序或敏譬内容的载体,也越来越对系统的安全和人们的生活造成了严重威胁,反垃圾邮件问题已经成为全球性的具有重要现实意义的课题。但是垃圾邮件快速增长的同时,反垃圾邮件的技术发展缓慢。目前绝大部分邮件过滤技术缺乏智能性和自学习性,不能对己有垃圾邮件的学习来获取识别新垃圾邮件的知识。只有少部分邮件过滤技术具有学习能力(比如贝叶斯过滤技术),但该技术仅局限于
2、针对邮件的正文内容进行学习,因此,对于结构化文本信息的电子邮件来说,这种技术也有其自身的不足。本文在贝叶斯过滤技术的启发下,通过分析传统邮件过滤技术的不足之处,在对大量垃圾邮件进行统计分析的基础上,提出了一个基于服务器端的神经网络邮件分类识别模型.该模型综合分析了垃圾邮件和合法邮件的特征,对邮件结构字段信息和邮件正文信息加以离散和特征化处理,并通过编程提取出7个特征属性来表示成向量代表电子邮件。BP算法具有智能性和自学习性的特点,因此,本文提出采用BP神经网络来构造邮件分类识别器。本文比较分析了常用BP改进算法,同时根据收敛速度和精度采用了Ⅲ改进
3、算法提高了系统性能。论文最后通过编程对该模型作了一系列的仿真测试。结果证明,该模型能从邮件结构字段信息和邮件正文信息中,学习归纳出能识别垃圾邮件的知识和方法,表明本文提出的基于BP神经网络的邮件分类模型是可行和有效的,并具有良好的效果和智能性、自学习性。关键词:垃圾邮件,特征,神经网络,训练ABSTRACTW1thW1deapplicati011ofemalI,Spdm,actingasthecarrier0fbusinessadvertisements,themaliciousprogramsorsomesensitivemails,aremo
4、reandmorefiercelythreateningthesafetyofthecomputersystemsandthelivesofpeople.Anti—spamproblemhasbecomeaninternational,significantandpracticaltopicnow.However,withthefastincreasingofspam,theanti—spamtechniqueshavedevelopedslowly.Nowamajorityofanti—spamtechniqueslackofaptitudea
5、ndauto—learning,whichcannotidentifynewspambylearningfromformerspaminstances.Andafewanti—spamtechniqueshaveauto-learningcharacter,suchaSBayesalgorithm,itonlyyorkonthecontentofemailandignoreemail’Sheadfields,whichisthemostshortageofthetechnique.Suggestedfromtheanti—spamtechniqu
6、eofBayesalgorithm,Ianalyzedtheshortageofthetraditionalanti—spamtechniques.Onthebasisofstudiesandstatisticsonalotofemails,mypaperbringsforwardmailclassificationandrecognition$odelbasedonneuralnetwork.Themodelsyntheticallyanalyzedthecharacteristicsofspamandlegalemailsanddispers
7、esandcharactersemailsthendistillninecharacterstoexpressemailsonvectorsbyprogramming.BPalgorithmhasaptitudeandauto-learningcharacters,SOmypaperchooseBPneuralnetalgorithmtosetupmailclassificationandrecognitionmodel.MypapercomparedandanalyzedsomefamiliarbettermentofBPalgorithm;a
8、tthesametimechoosethebettermentofLMtoenhanceperformanceofthemodelacc
此文档下载收益归作者所有