数据库信息分类中贝叶斯网络模型的应用

数据库信息分类中，朴素贝叶斯分类模型是一种简单而有效的分类方法，但它的属性独立性假设使其无法表达属性变量间存在的依赖关系，影响了它的分类性能．而一般贝叶斯网络模型则由于能表达属性变量之间的依赖关系而越来越受到人们的重视，但一般贝叶斯网络分类模型结构的学习算法是一个NP完全问题．本研究在一种简化的贝叶斯网络分类模型的基础上，利用其多项式时间复杂度的结构学习算法，将其应用于数据库信息分类，实现了学习效率和分类精度的一种折衷．实验结果表明，这种分类方法有着比较高的数据库信息文本检索性能。     

基于改进MS-EM算法的贝叶斯网络学习法构建基因调控网络

基因调控网络的重构是功能基因组中最具挑战性的课题之一.实验证明构建基因调控网络的最有前途的方法是贝叶斯网络.EM算法是一种有效的利用数据来学习贝叶斯网络的方法,能较好地处理构建基因调控网络中的数据缺失情况,但存在学习精度低、对初始参数值依赖的缺点.本文应用贝叶斯网络实现啤酒酵母细胞基因调控网络的构建,用改进的MS-EM算法进行学习,并实现实验结果的可视化.与现有文献比较,结果表明改进后的算法进一步降低了时间性能,提高了构建调控网络的精度.     

基于集成贝叶斯分类器的暂态稳定评估方法研究

朴素贝叶斯分类器是目前公认的一种简单有效的概率分类方法,具有简单、健壮而且高效的特点,但由于它是建立在属性变量相对类变量独立的假设前提下,而且这个假设在实际问题中往往不能满足,从而影响了其分类精度。针对这个很强的前提假设,提出了基于灰色关联聚类的特征选择方法,在一定程度上放松了这个限制条件;以朴素贝叶斯分类器作为基分类器,采用分类器集成技术中的AdaBoost算法进一步提高分类性能。通过对新英格兰10机39节点系统的仿真计算,结果表明了方法的有效性和正确性。     

基于隐朴素贝叶斯模型的链路预测算法

针对目前基于共邻节点及其改进的链接预测模型中存在对共邻节点间的依赖关系考虑不足,不能完全利用网络的拓扑结构信息的问题,本文提出了基于隐朴素贝叶斯模型和双隐朴素贝叶斯模型的链接预测方法。算法考虑共邻节点间互相依赖关系及其依赖关系的不同,通过隐朴素贝叶斯分类模型计算节点之间的相似性,利用条件互信息来衡量节点间的依赖程度,提高链接预测的准确率。采用网络DBLP和Email的真实数据作为实验数据集,使用AUC和Precision方法来评价本文的预测模型,实验结果表明,本文方法比目前主流方法的预测效果更好,验证了方法的准确性。     

一种基于粗糙集的特征加权朴素贝叶斯分类器

朴素贝叶斯分类器是一种简单高效的分类算法,但其属性独立性假设影响了分类效果。通过放松朴素贝叶斯假设可以增强朴素贝叶斯的分类效果,但是通常会导致计算代价大幅提高。针对以上问题,提出了一种基于粗糙集的特征加权朴素贝叶斯算法,加权参数直接从训练数据中学习得到,可以看作是计算某个后验概率时,某个特征对于该类别的影响程度。将该分类算法与朴素贝叶斯分类器（na ve bayesian classifier,NB）、贝叶斯网（bayes networks）和NBTree分类器进行实验比较。结果表明：在大多数数据集上,FWNB分类器在较小的计算代价下,具有较高的分类正确率。     

结合自适应字典学习的稀疏贝叶斯重构

贝叶斯压缩感知是一种基于统计分析的压缩感知算法,具有很好的鲁棒性,能够充分利用信息间的相关性,它的重构依赖于图像的稀疏性表达.针对贝叶斯压缩感知的深层次稀疏化问题,笔者结合自适应字典学习思想,提出一种冗余自适应字典表示的稀疏贝叶斯学习算法.该算法对图像进行局部分块,从待重建图像的迭代中间图像分块中学习字典,并以该字典作为图像的稀疏变换基,通过稀疏贝叶斯学习算法获得稀疏解.实验结果表明,基于自适应字典的贝叶斯学习算法能提高稀疏化,明显改善图像的重构质量.     

不完全朴素贝叶斯分类模型在垃圾邮件过滤中的研究

为了提高电子邮件中垃圾邮件的过滤准确率和效率,以x-依赖的贝叶斯分类模型为基础,提出了一种新的N平均1-依赖邮件过滤模型.该模型利用N个1-依赖贝叶斯分类的平均概率估计值来对邮件的类别进行判别.实验证明,该模型可大幅度提高分类精度,得到更低的分类错误率,分类速度也令人满意.     

基于MapReduce的朴素贝叶斯算法在新闻分类中的应用

针对传统单点串行的分类算法在面对新闻数据规模较大、分类属性较多时存在效率低的问题,本文研究了朴素贝叶斯分类算法在MapReduce下的并行实现方法.首先对新闻信息进行分词、格式转换等预处理,然后进行特征提取、分类模型构造;最后进行了分类测试.测试结果表明,在大数据量的情况下,并行化的贝叶斯算法较传统的贝叶斯算法具有更好的执行效率和较高的扩展性.     

贝叶斯网络生成学习和判别学习对比研究

优化目标决定了贝叶斯网络分类器的分类性能.文章围绕生成函数和判别函数等两类典型的优化目标,对比分析了贝叶斯网络在不同学习目标下的学习方法,应用UCI数据集,通过实验对比了训练样本数量的变化对贝叶斯网络分类器性能的影响,分析了贝叶斯网络分类器的目标函数与分类性能的关系.数据实验结果表明：冗余数据对判别贝叶斯网络过拟合的影响大于生成贝叶斯网络,“最优”贝叶斯网络分类器并不一定具有最大的联合似然值或者条件似然值;为了提高学习效率和分类性能,可在训练判别贝叶斯网络的过程中采用主动样本选择策略,并且以生成函数和判别函数的权衡值作为贝叶斯网络分类器的优化目标.     

一种改进的朴素贝叶斯分类器在文本分类中的应用研究

文本分类是数据挖掘领域中重要的研究分支.通过对自适应遗传算法和朴素贝叶斯分类器的研究,提出一种基于自适应遗传算法的朴素贝叶斯分类算法.将该算法应用于中文文本分类中,可以生成最优贝叶斯分类器及最优属性集合,提高分类精度.     

基于核方法的贝叶斯邮件分类网络研究

提出一种包含核函数的Bayesian参数估计方法,提高了Bayesian参数估计的实用性。结合邮件内容和报文格式两个方面分析和提取邮件的重要特征,建立了对应的Bayesian邮件分类网络。将包含核函数的Bayesian参数估计方法应用到邮件分类网络,在对不同邮件测试集的在线学习试验结果证明,这种新的分类模型能够有效地实现垃圾邮件的分类过滤。     

一种基于K2结构学习算法的石漠化数据特征选择方法

在石漠化信息的分类和提取过程中,冗余特征的存在影响分类器的性能,同时增加计算的复杂度。提出一种基于K2结构学习算法的石漠化数据特征选择方法,该方法通过BIC评分方法得到贝叶斯网络的结构,从中获得类节点的马尔可夫覆盖,继而进行特征选择。同时借用不同评分函数的等价性来确定结构学习时所需的样本数,并且给出了样本数的参考。实验表明,该方法由于结合了样本的分类信息,获得的特征子集是最优的,显著提高了分类精度,降低了计算复杂度。     

贝叶斯属性攻击图网络脆弱性评估

为了准确全面地评估计算机网络脆弱性,对攻击图中存在的攻击环路、状态爆炸、难以量化分析等问题进行了研究,提出了属性攻击图向贝叶斯网络转化的方法和新的环路消除算法,并利用这2个算法建立贝叶斯属性攻击图模型。在该模型中,利用贝叶斯公式进行推导,得到评估指标的计算公式。利用通用漏洞评分系统数据计算节点的发生概率和评估指标,进行计算机网络脆弱性评估。通过进行实验分析,证明了该模型的可行性和有效性。与其他的脆弱性评估方法相比,该模型具有评估准确、计算简洁、动态量化评估的特点。     

基于MCMC算法贝叶斯网络的学习

对于给定的阈值,通过计算变量之间的互信息,设计了一种构造贝叶斯网络结构的方法。改进了关于图模结构学习中常见的 MCMC 算法。将这种方法构造的贝叶斯网络作为马尔可夫链初始状态的网络结构,利用改进后的 MCMC 算法,构造一个关于贝叶斯网络结构的马尔可夫链。迭代给定次数后,得到关于变量组的贝叶斯网络结构。实验结果表明:改进前和改进后的两种方法得到的贝叶斯网络结构基本一致,网络结构的接受率也相近。     

多区块链环境下的连接查询优化算法

为了提高多区块链间的连接查询处理效率,提出多区块链环境下的连接查询优化算法. 该方法在传统的多区块链模型中增加语义信息,构建语义多区块链模型,为多区块链间的连接查询提供基础. 基于该模型,参考分布式数据库的索引结构,提出多区块链间的连接索引结构,将多条区块链进行属性连接,提高连接计算的效率,减少数据传输的通信代价. 在此基础上,提出多链连接查询优化算法,提升多区块链连接查询的效率. 最后,在2个真实公开的数据集上进行实验. 结果表明,多区块链间的连接索引结构稳定;与传统的直接进行连接查询的操作相比,多区块链连接查询优化方法简化了查询处理过程,通过访问连接索引直接获取查询结果,减少了本地计算负载和网络开销,提高了查询效率.     

高维小采样数据集的贝叶斯网络结构学习算法

现有的贝叶斯网络结构学习算法都需要对高维数据项集进行大量地计算,极大地影响了算法的可靠性、健壮性以及精确度,同时高维计算也耗费了大量时间,为了解决这个问题,提出基于特征选择技术贪婪贝叶斯网络结构学习算法。理论分析表明,本算法在效率上优于现有算法,实验结果也表明,对于高维相对小采样数据集,本算法在精度上也优于大多数算法。     

基于贝叶斯网络的轻度认知障碍诊断系统

提出一种基于依赖性分析和打分函数进行贝叶斯网络结构学习的新方法,并把该方法应用于轻度认知障碍诊断系统中。该算法首先通过对结点变量间的依赖性分析测试和无向图的遍历,获得贝叶斯网络结构中所有结点的先验顺序,然后用启发式打分-搜索方法获得最优的贝叶斯网络结构。实验结果表明,该算法能够在不增加算法复杂度的情况下,完成无结点顺序要求的贝叶斯网络学习,并能应用于轻度认知障碍诊断系统中,实现较好的预测,进而辅助医生的诊断。     

Double Learning Algorithm in Bilateral Multi-Issue Negotiation under Incomplete Information

In order to enhance the efficiency in bilateral multi-issue negotiation under incomplete information,double learning algorithm that includes Q-learning algorithm and Bayesian learning algorithm is presented.TheQ-learning algorithm is used to learn the weights of issues,and the Bayesian learning algorithm is used to learnthe reservation price of issues.Experiments show that the algorithm can help agents to negotiate more efficiently.     

粗糙集理论在变压器故障诊断中的应用

为了对变压器故障诊断过程中大量的冗余特征进行压缩或约简,提高诊断的效率,将粗糙集理论引入到变压器故障诊断中,提出了基于粗糙集理论的故障特征约简算法:即由故障样本构成信息表,组合表中不同的属性集,求取与全体属性集具有相同分类质量的最小属性集。对具体典型诊断实例进行了分析,结果表明:在保证故障分类结果不变的情况下,该算法能够剔除具有冗余信息的特征,找出对故障分类起主要作用的特征,从而达到了特征约简的目的,不仅大大减少了诊断信息提取的工作量,也为后续的智能诊断提供很大的便利。     

信息不完备情况下多因素工序质量诊断方法

为解决信息不完备情况下的多因素工序质量诊断问题,在工艺机理分析的基础上,提出基于贝叶斯网络模型构建与推理的问题溯源方法.在贝叶斯网络结构学习过程中,利用基于评分/搜索的思想对基于工艺的预先假设结构,通过互信息参量排序降低学习复杂度.针对生产过程中随机因素对诊断准确性的影响问题,结合Leaky Noisy-OR模型引入随机参量节点,对数据需求和推理进行降解优化.以沟道磨削表面形貌质量问题的诊断为例,给出模型构建与推理程序,并验证了所构建模型及优化方法的可行性和有效性.