计算机工程与设计
COMPUTER ENGINEERING AND DESIGN
Nov. 2019Vol. 40 No. 11第 40 卷 第 11 期
Twitter情感分析中停用词处理高巍，孙盼盼+,李大舟(沈阳化工大学计算机科学与技术学院，辽宁沈阳110142)摘要：在Twitter情感分析中首先要对数据预处理去除噪0 ,为了解文本预处理方法中去除停用词对Twitter情感分析分
类性能的影响，使用4种特征模型和5种分类器对3个数据集保留和去除停用词分别进行分析，为自然语言处理的研究者
提供在常用算法下对Twitter情感分类分析时是否去除停用词及特征数量选择的参考依据。实验结果表明,对Twitter情感
分类，去除停用词降低了文本噪声，但多数情况下不会提高分类器的性能，且提取特征时适当的特征数量有助于加快分 类过程。关键词：情感分析；预处理；停用词；特征数量；文本分类中图法分类号：TP391. 1 文献标识号：A 文章编号：1000-7024 (2019) 11-3180-06doi： 10. 16208/j. issnl000-7024. 2019. 11 020Processing stop words in Twitter sentiment analysisGAO Wei, SUN Pan-pan+ , LI Da-zhou(School of Computer Science and Technology, Shenyang University of Chemical Technology , Shenyang 110142, China)Abstract： The first step in the emotional analysis of Twitter is to remove noise from the data preprocessing. To understand the
efecVsofsVopwordsinVheVexVpreprocessingmeVhodonVheclassificaionperformanceofTwiVersenimenVanalysis'fourfea- VuremodelsandfiveclassifierswereusedVoanalyzeinVhreedaVaseVsandareferencewasprovidedforVheresearchersofnaVural
languageprocessingabouVsVopwordsandVhenumberoffeaVuresundercommonalgorihms.ExperimenValresulsshowVhaVVhe removalofsVopwordsreducesVheVexVnoise'buVinmosVcasesidoesnoVimproveVheperformanceofVheclassifier'andVheap-
propriaVenumberoffeaVuresishelpfulVospeedupVheclassificaionprocess.Key words： sentiment analysis； preprocessing； stop words； feature number； text classification2引言对Twitter情感分析，能够获取舆论话题倾向，把握舆 论走向，但Twitter的内容通常没有完整的句子结构、用词
理影响的相关实验；Haddi等口1*探讨了情感分析中文本预 处理的作用。然而现有的研究并没有关于预处理方法中停
用词处理对Twitter情感分类性能的影响。为了弥补这一缺陷，本文将研究重点放在分析文本预
网络化、表达不规则，造成数据噪声。关于Twitter情感极 性分类的研究多数通过预处理来减少噪声，并假设预处 理有助于提高分类器性能，加快分类过程，但这种假设并 没有得到证实。随着自然语言处理的发展，越来越多学者
处理中停用词的处理对Twitter情感分类影响。不同于传统
研究，本文在研究停用词处理的同时考虑特征数量的选取 对分类准确率的影响。为了充分验证停用词处理的影响， 本文选取3个Twitter数据集，并分别使用4种特征模 型)214*和5种分类算法，结合特征数量及词嵌入维度的
追求严谨，开始怀疑这种假设是否成立。如Bao等⑷探讨 了数据预处理是否会影响Twitter情感分类的准确率；Zhao 等)0*用4个分类器两种特征模型对Twitter数据进行预处
选取分析分类性能，旨在为自然语言处理的研究者提供在 常用算法下对Twitter情感分类分析时是否去除停用词及特
收稿日期：2018-09-20；修订日期：201811-05基金项目：辽宁省教育厅科学技术研究基金项目(L2O16O11)；辽宁省教育厅科学研究基金项目(LQ2017008)；辽宁省博士启动基金项目
(201601196)作者简介：高'(1965 -)，女，辽宁沈阳人，博士，教授，CCF会员，研究方向为大数据分析及应用、智能信息处理；+通讯作者：孙盼盼
(1994-),女，辽宁沈阳人，硕士研究生，研究方向为大数据分析及应用、智能信息处理；李大舟(1982 -)，男，辽宁沈阳人，博士，
讲师，研究方向为数据挖掘、车载网。E-mail: 1141182425@qq.com第40卷第11期征数量选择的参考依据。高巍，孙盼盼，李大舟：Twitter情感分析中停用词处理的最多便将样本预测为那类。・3181・1相关工作为了探讨停用词的去留是否会对Twitter的语义分类效 果造成影响'本文分别从特征模型、分类模型、数据集和
SVM分类算法有两种表示，当训练数据集线性可分
时，决策函数为：/=Y・x + P(Y为权重，P为偏置)/〉
0,数据为1类；/<0,数据为0类。当数据集非线性可分
时， 函 则为Min(2yty + C$+ )・(yx + b) & 1 一 +，2 i=1N特征数量4个角度进行对比'分析最优分类处理方式。具 体分析设置如下。11特征模型& & 0, i = 1,2,…，N
为了分析特征模型的不同是否对停用词的去留表现不 同，本文分别使用词袋、TF-IDF (term freqiiericy-mvese
其中，C为惩罚因子，+为非负松弛变量。kNN算法是通过测量不同特征值之间的距离实现分
document frequency)、Word2Vec 以及 GloVe ( global vec
tors) 对数据进行向量表示。词袋模型把词出现的频率当作训练分类器的特征；
TF-IDF是TF* IDF, TF为词频，IDF为逆向文件频率。 TF为单词在文档d中出现频率；IDF为如果包含单词t的
文档越少，则DF越大，这表明单词t有很好的区 分能力。Word2Vec 中 包 CBOW (continuousbag-of-words)
和Skip-gram两种模型。这两种模型均属于浅层的双层神
经网络，包括输入层、隐藏层和输出层。其中，Skip-gram 模型的训练目标是找到对于预测句子或文档中的上下文词
语有用的词表示。它是基于单词的上下文训练词向量，每 个词向量反映了它上下文单词的加权值，因而通过训练学
习到的向量能很好表征一个词的语义信息；GloVe模型与
word2Vec模型的思路相似，但更加充分考虑了词共现的情
况，GloVe模型通过矩阵分解的方法利用词共现信息，直
接构造一个词共现矩阵的近似矩阵，尽可能保存词之间的 共现信息。1.2分类模型本文使用5种常见的分类模型：逻辑回归、随机森林、 决策树、SVM (suppott vector machine)以及 kNN (k-nea-
rest neighbor)，分别对去除停用词数据和保留停用词数据
进行分类。逻辑回归是线性模型，通过sigmoid函数，利用最大
似然取反作误差函数，用梯度下降求误差函数的最小值。
对一个回归或分类问题，先建立代价函数，通过优化方法
迭代，求解最优模型参数，然后验证这个求解模型 的好坏。决策树模型是基于特征对实例进行分类的一种树形结
构。决策树依据特征将数据划分到若干子树，然后再对它 的子树划分，直到满足某条件时作为叶子节点，如果不满 足条件就继续对其划分。随机森林由多颗随机建立的决策树组成，在随机森林
中每一棵决策树之间是无关联的。训练好随机森林的模型 后，当输入新的样本时，随机森林中的每棵决策树均对输
入样本进行判断，预测此输入样本属于哪类，哪类被选择 类。kNN所选择的邻居均是已经正确分类的，待分样本所
属类的判定仅仅依据最邻近的一个或几个样本k 个 样本特征中 多 均属 类'则。如果样本 样本
也属于这类。1.3数据集在不同的数据集中停用词去留产生的影响可能不尽相 ' 本 取3 个 ' 本类模型同一特征模型下的分类结果进行分析。数据集一为Abdul Fair提供的Twitter情感分析数据 集。该数据集将Twitter情感分为正向和负向两类，其中负
向情感Twitter 6892条、正向情感Twitter 5699条。数据集二为CrowdFlower提供的名为“社交媒体中的 灾难”数据集，收集者们查看了超过10 000条具有类似
“着火”、“隔离”、“混乱”等搜索关键词的Twitter,然后
标记这个Twitter是否和灾难事件有关(与之相反的是一些 玩笑、电影点评或是一些非灾难性的事件)该数据集包括
4672条与灾难相关数据，6186条与灾难无关数据。数据集三来源于斯坦福大学提供的“Sentimen140”数
据集，该数据集三随机抽取了” Sentimentl40”数据集中的
15 000条正向情感Twitter及15 000条负向情感Twitter。1.4评价标准实验分别固定待分析4个因素中的两个，对比每一实
中 停用词和 停用词 类效 ， 时 价指标acc的计算,其中，acc为分类准确性得分，即对给定 的测试数据集，分类器正确分类的样本数与总样本数之比。如下acc = TTP 1 TN) ' TTP 1 TN 1 FP 1FN)
其中，TP是被正确地划分为正例的个数；FP是被错误地 划分为正例的个数；FN是被错误地划分为负例的个数;
TN是被正确地划分为负例的个数。2实验与分析2.1数据处理在文本预处理过程中，分别对数据进行编码解析处理、 清除http：形式链接及@内容、清除www.形式链接、转
化为小写、处理否定词、清除数字及特殊符号，然后将数・3182・计算机工程与设计2019 年据的80%作为训练集，20%作为测试集，最后使用Python
Scikit-learn库中 停用词表 中的停用词作为去%<、富更
1-k * —H除停用词。 别 停用 和 停用词数据
进行对比实验分别使用词袋、TF-IDF、Word2Vec以及
GioVe对预处理后数据进行向量表示。其中，Word2Vec和 GloVe词向量是对来 斯 大学提供的
1§1\"Sentimentl40\" 1 600 000 条 Twitter 数据进行训练得来,
训练中特征的维度分别设置为100、200、300、400、500, 此
特征维度特征 化 类效果的影响，其它参数均保实验中完全 。=数据一去除 ™数据二保留 —数据一去除 一一数据二保留= 数据一保留 皿 数据二去除 b 数据三去除 \"数据三保留 …一数据一保留 * 数据二去除 + 数据三去除 一…数据三保留本 用Python调用5种常见的分类模型：逻辑回 归、随机森林、
数在同一实验中均 2.2实验结果与分析图3 逻辑回归 Word2Vec和GloVe（柱状图为使用 Word2Vec,折线图为使用GloVe）树、SVM以及kNN。每种分类模型参全一致，只对比
件下图1
本次实
用词和
用逻辑 归 类 和词袋特征型，特征数量在100到400时 停用词与 停用词准100到1900用同一分类模型不同向量表示方法对去停类， 类结果进确率均 （其中， 特征
停用词的3个 之 特征
停用词准确率 高
为1300时
停用词准确率，且在比 ，观 类准确率与特征 如，图1〜图3为用4种特征
别对3个
化趋势。例向停用词取 高准确率75.40%,高
在1900到4300期间准确率上下波动，在4300到16 000期
表示, 变化趋势图。用逻辑 归 类 准确率 特征停用词准确率
16000 准确率
停用词，当特征数量大停用词准确率 高停用词为700到4000时
, 此时
逻辑回归词袋保留vs去除停用词:准确率0.85 1留停用词； 二在特征
准确 率高
确率
停用 词, 之 下 动, 特征 为停用词准确率较高；数据三无论特征0.80 -15 700时保留停用词准确率达到最高值81. 20%,此后准
%0.75 -<0.70 -、富0.65 1更
0.60 -0.55 -如何变化
样的，从图2
停用词准确率 高于去除停用词准确和TF-IDF率，当特征数为7600时保留停用词准确率最高为76. 63%。用逻辑回归分类
和 无 特征
0.50--------------------------------------------------------------------------------------------------------100 4600 9100 13600 18100 22600特征 , 如何 化,特征数量— 数据一保留停用词
数据二保留停用词 数据三保留停用词
停用词准确率 准确率高
高 停用词，而 二在特征数量一一数据一去除停用词数据二去除停用词-• 一数据三去除停用词小于8500时，准确率上下浮动，大于8500后保留停用词
停用词，当特征 为1300时 停用词图1 逻辑回归词袋取得最高准确率81.65%。图3为用Word2Vec和GloVe分别对文本进行向量表
示， 用Word2Vec后，数据二
0.85 -均表现为 停用词准确率高 停用词, 而
高75. 79%；
特征 时0.80 -停用词 时
准确率表 势, 特征 200用GloVe后,%<、富0.65 -更
0.60 -0.55 -停用词准确率
二在特征
特征 400 时 停用 词 取 高 值
75.00%,
为500维时 依然表现为
停用词取 停用词准确率始0.50 -I-------------------------------------------------------------------------------——高准确率76. 15%, 高
100 4600 9100 13600 18100 22600停用词。树和词袋
特征数量图4、图5为使用决策树分类模型对数据分类。由图可
---- 数据一保留停用词 数据一去除停用词
——数据二保留停用词 —— 数据二去除停用词 ——数据三保留停用词 一… 数据三去除停用词, 用
高
时3 个 均表 为无 特征 如何 化, 停用词 准确率
图2 逻辑回归TF-IDF停用词。 而 样 用 树 类 , 特征第40卷第11期高巍，孙盼盼，李大舟：Twitter情感分析中停用词处理・3183・变为TF-IDF后， 和 表现为 停用词准确率高 停用词' 二 停用词与 停用词 高准确率相同。SVM词袋保留VS去除停用词:准确率0.850.80%0.75<0.70、富0.65更
0.60%<、富更
0.550.50100 4600 9100 13600 18100 22600特征数量— 数据一保留停用词 一 一数据一去除停用词
数据二保留停用词数据二去除停用词 -■-数据三保留停用词 数据三去除停用词图6 SVM词袋— 数据一保留停用词 一 一数据一去除停用词
数据二保留停用词••…“数据二去除停用词 数据三保留停用词 —数据三去除停用词图4决策树词袋%<、富更
决策树TF-IDF保留VS去除停用词:准确率0.85 ]0.80 -%
<0.70、富0.65更
0.600.550.750.50 \\100
-----------------------------------—4600
— 数据一保留停用词 一 一数据一去除停用词 ― 数据二保留停用词数据二去除停用词 -■-数据三保留停用词•••+••数据三去除停用词9100 13600 18100 22600特征数量— 数据一保留停用词 一 一数据一去除停用词 ― 数据二保留停用词 …••“数据二去除停用词 -■-数据三保留停用词 —数据三去除停用词0.85图 7 SVM TF-IDFkNN词袋保留VS去除停用词:准确率图5 决策树TF-IDF0.80同时，实验使用Word2Vec对文本进行向量表示后数
%
<0.70、富0.65更
0.600.550.75仲囂沁加g稱=二三均
GloVe
停用词取得最高准确率；而在使用二
停用词准确率最高， 依然为 停用词准确率最高。图6、图7为使用SVM分类模型对数据分类分析。由 图 ，使用SVM分类 时， 是用词袋还是TF-IDF 向 特征 ' 和 均表 为 停用词
0.50 ----------------------------------------------------------------------------------------------100 4600 9100 13600 18100 22600的准确率高 停用词。而 二 用词袋 时,特征数量— 数据一保留停用词 一 一数据一去除停用词数据二保留停用词••…“数据二去除停用词 数据三保留停用词 —数据三去除停用词特征 2200保留停用词准确率最高81.19%，使用TF-
IDF 时特征数量4300去停用词准确率最高83. 03%。图 8 kNN 袋用Word2Vec 本 向量表示后数据二三均用GloVe模型数量为16 600时保留停用词取得最高准确率66.67%,当
停用词取得最高准确率；而
停用词准确率最高，
特征 大于16 900后准确率 ，此时 停用词准确
二则为去除停用词准率高 停用词； 二与 化趋势 ，特征确率最高。为8500时 停用词取 高准确率77.06%；
用词袋特征
3个
图8、图9为使用kNN分类模型对数据分类分析。由 图
向量表示，数三无论特征 如何变化保留停用词准确率始终高 •除 停用词，当特征数为13 000时准确率最高为69. 12%。同 样的，从图9
用TF-IDF ,
据一特征 100到16 300之间准确率上下波动，在特征二三前期・3184・kNN TF-IDF保留VS去除停用词:准确率计算机工程与设计表2随机森林最高准确率百分比/%数据一随机森林保留二2019 年数据三保留75.2973.7971.29去除73.4173.4171.8371.03保留81.65去除79.8281.6576.1576.15去除70.4571.2968.78词袋TF-IDF75.0074.2169.4469.8482.1175.6973.85Word2VecGloVe68.6168.95—数据一保留停用词 一 一数据一去除停用词—一数据二保留停用词••…“数据二去除停用词 数据三保留停用词 —数据三去除停用词表3决策树保留决策树最高准确率百分比/%数据一去除63.4963.4966.6763.89二数据三保留69.28图 9 kNN TF-IDF词袋保留75.23去除74.77去除62.6069.0570.6369.44准确率震荡较大，而在特征数量取得最大后，3个数据保 停用词准确率均远高
停用词，取得最大准确率。用Word2Vec和GloVe对文本进行向量表示，使用
Word2Vec,数据一数据三最高准确率均是保留停用词，而
TF-IDF74.3166.9766.0674.3166.0669.9563.1161.2763.77Word2Vec63.6164.44GloVe62.3068.81数据二相反； 率 77. 52%。用GloVe时， 和三均为保留停SVM 表4SVM 准 率 分比/%
二用词取 高值，数据二 停用词取 高准确
数据一保留数据三保留76.4678.9679.4776.96此外，实验还使用随机森林分类模型。使用随机森林
去除73.8173.0275.00保留81.19去除80.28去除72.7974.1274.9672.62分类 和词袋向量表示 时，当特征 大于13 000
词袋TF-IDF75.00时， 停用词准确率高 停用词，在特征数量为停用词准确78.1775.0082.1176.6175.6983.0373.3978.4415 100时 停用词准确率最高75. 00%;数据二与数据
Word2Vec一变化趋势 ，特征 为11 200时， 率最高为81. 65% ；
TFIDF特征模型，
GloVe75.7972.22则表现为无论特征 如何变化停用词的准确率均高 词，
二特征 为11 800时，
停用词。 ，使用
kNN 表5kNN 准 率 分比/%二停用词准确率高 停用停用词准确率最高数据一保留数据三保留69.1268.28去除66.2764.6864.6865.08保留76.6182.1170.6472.94去除77.0678.44去除67.1164.6166.9466.44为82.11%, 依然是无论特征 如何变化 停用词袋TF-IDF66.6767.4668.2567.06词的准确率均高于去除停用词。使用Word2Vec和GloVe本 向 表示 用 机 停用词 取 高准确率#而 高，在使用GloVe
类,
二均停用词准确率Word2Vec75.2377.5269.12停用词准确率最高。GloVe68.613讨论根据以上实验得到见表1〜表5(表1逻辑回归最高准确率百分比/%数据一逻辑回归-保留由表1可以看岀，使用词袋、Word2Vec、GloVe对数
向量表示后用逻辑回归分类模型分类，3个
样为
数据三保留76.6378.6378.9676.63，集•数均为保留停用词准确率更高，其中使用TFIDF对数据一和
停用词准确率更高，
二保留81.1981.19二 则表 为 停用词准确率更高, 是由去除74.60去除81.1981.6573.3976.15去除73.2973.9675.2973.46二 ,
类更多地依赖于与灾难 专有词汇，停用词和词袋TF-IDF75.4077.78灾难相关性较小，影响TF-IDF中的词频及逆向词频的计
73.4175.40停用效果更好。表2表明，使用随机 ：分停用词准确Word2Vec类模型和词袋或TF-IDF向量表示方法时，
75.7975.0076.6176.15GloVe率较高；相反的，使用Word2Vec和GloVe特征模型时,
73.41停用词效 ，产生这种结果的原因之一是随机森
第40卷第11期高巍，孙盼盼，李大舟：Twitter情感分析中停用词处理2014： 80-81.• 3185 .林初始随机值不固定。表3为使用决策树分类算法，词袋、
TF-DF、Word2Vec这3种向量表示方法均为保留停用词
[5* KhanF H， QamarU， BashirS6SentiMI\"Introducingpoint-
准确率更高，而GloVe在对数据一和数据二进行分析时，
wisemutualinformation withSentiWordNettoimprovesenti- mentpolaritydetection [J*6AppliedSoftComputing， 2016，
去除停用词效果更好。表4分别为使用SVM和kNN分类 算法，此时除了数据二，其它均为保留停用词准确率较高， 产生这种现象的原因之一为数据二内容的特殊性。39 4)\"140-1536[6* SaifH， He Y， Fernandez M， etal6Semanticpaternsfor
sentimentanalysisofTwiter [C*//Procofthe13thInterna-
此外，使用词袋、TF-IDF特征模型向量表示后用逻辑
回归、随机森林、决策树、SVM分类模型进行分类时，特
tional Semantic Web Conference6 Trentino\" dblp， 2014\"
征数量不需要过大即可达到较高准确率，同时过大的特征
324-3406数量会影响分类的速率。使用Word2Vec、GloVe特征模型
100-400 之 ， 用过大型时花费大量的时间，最终分类的准确率也并不会因此 而提高。综合分析可见，对Twitter分类分析中多数情况下保留
停用词效果较好，由于Twitter中字数较少，语言较为精 炼，停用词出现的频率较高，甚至部分Twitter全部为停用
词汇，在语义分析时去除停用词会导致语义信息缺失、破 坏文本原有的句法结构，降低分类准确率，所以多数情况 下保留停用词效果较好，并且提取特征时适当的特征数量 有助于加快分类过程。4结束语本文通过一系列实验研究了停用词去留和特征数量选
取对Twitter分类效果的影响，研究发现，Twitter情感分 类 中多 下
停用词 类准确率 高， 时取特征时适当的特征数量有助于加快分类过程，并且Twi--
ter数据预处理降低了文本噪声的同时有助于提高分类器的
性能这种假设多数情况下不完全成立，这可以为自然语言 处理的研究者提供参考依据。由于本实验只验证了预处理 在常用算法下的影响，下一步将研究在神经网络等其它算
法中的影响以及其它预处理对分类性能的影响。参考文献：[1* Terrana D, Augello A， Pilato G. Automatic unsupervised po
larity detection on a Twitter data stream [C* //Proc of the 8th International Conference on Semantic Computing. Newport Beach： IEEE Press， 2014: 128-134,[2* Ren Yafeng， Wang Ruimin, Ji Donghong. A topic-enhanced
word embedding for Twitter sentiment classification [J*. Electronic Letters， 2016， 10 (11)： 188-19&[3* YoonH G， Kim H， Kim C O， etal.Opinionpolaritydetec-
tionin Twiterdatacombiningshrinkageregressionandtopic
modeling [J*.Informetrics， 2016， 10 (2)\"634-644.[4* SaifH， Fernandez M， He Y， etal.Onstopwords， ltering
anddatasparsityforsentimentanalysisofTwiter [C*//Proc ofthe 9th Language Resources and Evaluation Conference，[7* WANG Rujiao， JI Donghong6Twiteremotion classification
methodbasedonconvolutionneuralnetworkand multi-feature fusion [J*6ComputerEngineering， 2018， 44 (2)\"210-219 (in Chinese).[王汝娇，姬东鸿.基于卷积神经网络与多特征
融合的Twitter情感分类方法[J*.计算机工程，2018, 44
(2)： 210-219 *[8* YIShunming， YIHao， ZHOU Guodong ResearchonTwiter
emotionclassificationusingemotionfeaturevector [J* Journal ofChineseComputerSystems， 2016， 37 (11)： 2454-2458 (in
Chmese).[易顺明，易昊，周国栋.采用情感特征向量的 Twitter情感分类方法研究[J*.小型微型计算机系统，2016,
37 (11)： 2454-2458 *[9* BaoY， QuanC， WangL， etal6Theroleofpre-procesingin
Twitersentimentanalysis [C*//Procofthe10thInternational ConferenceonInteligentComputing6New York： IEEE Xplore，
2014： 615-6246[10* Zhao Jianqiang， Gui Xiaolin6Comparison research on text
pre-processing methods on twitersentimentanalysis [J *6IEEE Access， 2017， 5 (2)： 2870-28796[11* HaddiE， Liu X， ShiY6Theroleoftextpre-processingin
sentimentanalysis [J*6Procedia ComputerScience， 2014，
17 (9)： 26-326[12* YU Mo6Modelingandlearningofrepresentationsfornatural
languagesentence-levelstructures [D*6Harbin： HarbinIn-
stituteofTechnology， 2016： 32-57 (inChinese)6[ 6自然语言句子级结构表示的建模与学习[D*.哈尔滨：哈尔滨 工业大学，2016： 32-57..[13* WANG Qinqin， ZHANGYuhong， LIPeipei， etal6Across-
domain emotion classification method based on word2vec
[J/OL*6ApplicationResearchofComputers， 2018 (10)： 1
66 [2017-10-10*6ht p ： //kns cnki6net/kcms/detail/51 11966TP. 20171010. 1729.00& html (in Chinese).[王勤勤，张玉
红，李培培，等.基于word2vec的跨领域情感分类方法
[J/OL*.计算机应用究，2018 (10)： 1-6. [20171010*. htp：//kns.cnki.net/kcms/detail/51.1196.TP.20171010.17296008 html6*(下转第3191页)
第40卷第11期陈金广，王星辉!马丽丽：状态与杂波相关的GM-PHD平滑滤波・3191・nese).[欧阳成，姬红兵，杨金龙.一种改进的多传感器粒子 [11* NandakumaranN, TharmarasaR, LangT, etal.Gaussian
mixtureprobabilityhypothesisdensitysmoothing with multistaticsonar [J*.ProceedingsofSPIE Conferenceon Signal
PHD滤波近似算法[J*.系统工程与电子技术’2012, 34
⑴:50-55..[4* Lv N, Lian F, Han C. Multitarget tracking algorithm based
on clutter model estimation [C* //International Conference on Infomation Fusion, 2013: 1228-1235.Processing, Sensor Fusion and Target Recognition, 2008, 6968 (7)： 1-8.[12* Clark D E. First-moment multi-object forward-backward
smoothing [C*//InternationalConferenceonInformationFu-
[5* Lian F, Han C, Liu W. Estimating unknown clutter intensity
for PHD filter [J*. IEEE Transactions on Aerospace & Elec- tronicSystems, 2010, 46 4)\"2066-2078.sion, 2011： 1-6.[13* HeX, LiuG.ImprovedGausian mixtureprobabilityhypothesis
densitysmoother [J*.SignalProcessing, 2016, 120： 56-63.[6* Schlangen I, Delande E, Jeremie Houssmeau, et al. A PHD
filterwithnegativebinomialcluter [C*//InternationalCon- ferenceonInformationFusion, 2016.[14* MahlerR P S, Vo B N, Vo B T.Theforward-backward
probabilityhypothesisdensitysmoother [C*//International ConferenceonInformationFusion, 2010： 1-8.[7* Mahler R P S, Vo B T, Vo B N. CPHD filtering with un-
knowncluterrateanddetectionprofile [J*.IEEE Transactions on Signal Processing, 2011, 59 (8)： 3497-3513.[15* NagappaS, DelandeED, ClarkDE, etal.Atractablefor-
ward-backwardCPHDsmoother [J*.IEEE Transactionson AerospaceandElectronicSystems, 2017, 53 (1)： 201-217.[16* YANGFeng, WANG Yongqi, LIANG Yan, etal.Colabo-
[8* SchlangenI, BhartiV, Delande E, etal.Joint multi-object
andcluterrateestimation withthesingle-clusterPHDfilter
[C* //IEEE International Symposium on Biomedical Imaging,
2017： 10871091.rativePHDfilterforfastmulti-targettracking [J*.Systems
EngineeringandElectronics, 2014, 36 (11)： 2113-2121 (in
[9* RezatofighiS H, GouldS, BaT V, et al6Multi-target trac-
kingwithtime-varyingcluterrateanddetectionprofile\"App- licationto time-lapse cel microscopy sequences [J *6IEEE Transactionson MedicalImaging, 2015, 34 (6)\"1336-13486
Chinese).[杨峰，王永齐，梁彦，等.面向快速多目标跟踪
的协同PHD滤波器[*.系统工程与电子技术，2014, 36
(11)： 2113-21216*[17* CHENJinguang, SUN Rui, MA Lili6Post-processingalgo-
rithmforGM-CPHDfilterbasedontrack-estimateassociation
[10* MALili, QIN Xiaoshan, CHEN Jinguang. GM-CPHD filter
withstate-dependentcluter [J*6JournalofSystem Simula
[J*6ComputerEngineeringandApplications, 2015, 51 (8)：
189-194 (in Chinese).[陈金广，孙瑞，马丽丽.基于航迹-
tion, 2016, 28 (7)： 1637-1643 (in Chinese).[马丽丽，秦
晓姗，陈金广.一种状态与杂波相关条件下的GM-CPHD算
估计关联的GM-CPHD后处理算法[*.计算机工程与应用,
2015, 51 8)： 189-194 *法[*.系统仿真学报，2016, 28 (7)： 16371643.](上接第3185页)[14* ZHENG Yanan, TIAN Dagang A textclassificationstudybasedon GloVeand SVM [J* Software Guide, 2018, 17(6)： 45-48 (in Chinese).[郑亚南，田大钢.基于 GloVe 与[J/OL*6ApplicationResearchofComputers 2018 (10)： 1
36 [2017-10-10*6htp：//knscnki6net/kcms/detail/51 11966TP. 20171010.1729. 024. html (in Chinese).[刘黎志，邓介
一，吴云韬.基于Hbase的多分类逻辑回归算法研究
SVM的文本分类研究[J*.软件导刊，2018, 17 (6)： 45-48 *[15* LIU Lizhi, DENG Jieyi , WU Yuntao. Research on multiple
classification logic regression algorithm based on Hbase
[J/OL*.计算机应用研究，2018 (10)： 1-3. [20171010*. htp：//kns6cnki6net/kcms/detail/51611966TP6201710106 1729024 html *
因篇幅问题不能全部显示，请点此查看更多更全内容