瑞利分布的可靠性分析

基于逐步增加Ⅱ型截尾样本,研究了瑞利分布可靠性指标的贝叶斯估计及其容许性。在不同的损失函数下给出了分布参数、可靠度函数、失效率函数的贝叶斯估计及参数的最短可信区间估计,并证明了贝叶斯估计具有容许性。最后运用蒙特卡洛方法对各结果的均方误差进行了比较。     

两单元并联可修系统的参数估计

为了给出两单元并联可修系统未知参数的Bayes估计,假设单元的失效时间和修理时间服从参数不同的指数分布,选取LINEX损失函数,给出了参数估计的计算公式,并进行了计算机仿真。与平方损失下的Bayes估计进行比较的结果表明,选用LINEX损失下得到的估计有较小的均方误差。     

屏蔽数据下并联系统广义指数部件的可靠性估计

针对具有屏蔽寿命数据的并联系统,研究了广义指数部件的可靠性估计问题.利用极大似然方法和贝叶斯理论给出了部件未知参数和可靠度函数的极大似然估计及贝叶斯估计.最后通过随机模拟对两种估计的效果进行了比较,并研究了样本量和屏蔽水平对估计精度的影响.     

稀疏贝叶斯模型与相关向量机学习研究

虽然支持向量机在模式识别的相关领域得到了广泛应用,但它自身固有许多不足之处.相关向量机是在稀疏贝叶斯框架下提出的稀疏模型,模型没有规则化系数,核函数不要求满足Mercer条件.相关向量机不仅具备良好的泛化能力,而且还能够得到具有统计意义的预测结果.首先介绍了稀疏贝叶斯回归和分类模型,通过参数推断过程,将相关向量机学习转化为最大化边缘似然函数估计,并分析了3种估计方法,给出了快速序列稀疏贝叶斯学习算法流程.     

基于Parzen窗法的贝叶斯参数估计

针对贝叶斯估计中所需的非规则概率密度函数, 提出用Parzen窗算法估计相关概率密度, 从而求解不同损失函数下的贝叶斯参数估计器. 实例分析中, 选择一组电阻测量值作为样本, 利用Parzen窗法计算出相应的概率密度函数, 最后用交叉验证法得出了该样本的最小绝对值误差参数估计器.     

基于贝叶斯最小风险的垃圾邮件过滤技术

分析了贝叶斯分类方法在中文垃圾邮件过滤中的应用。提出了基于贝叶斯最小风险的垃圾邮件过滤技术,通过选择适当的损失函数,尽可能减少合法邮件的误判。实验结果表明,该方法是切实可行的并具有良好的效果。     

ARMA数据处理中的信息损失与恢复

在微分几何框架下,将平稳时间序列数据嵌入到曲指数流形中,从几何角度建立参数的极大似然估计与流形曲率的联系,研究MLE的渐近性态与信息损失问题,并讨论了信息的恢复和减少这一损失的参数变换方法。     

一种贝叶斯证据框架下支持向量机建模方法的研究

研究贝叶斯证据框架下标准支持向量机和最小二乘支持向量机的估计算法和建模方法，给出一种高斯桉支持向量机估计算法的参数选择和调整方法，将贝叶斯证据框架下支持向量机的建模方法应用于非线性系统的辨识，仿真结果表明，该方法对于工业过程建模是十分有效的。     

基于贝叶斯的反垃圾邮件技术探讨

本文分析了基于朴素贝叶斯的垃圾邮件过滤技术,发现该算法忽略了把合法邮件错判为垃圾邮件带来的损失。针对该缺陷,提出了基于最小期望损失的贝叶斯过滤算法。在该算法中引入了期望损失因子,分析了期望损失因子与准确率的关系。最后用实际的邮件样本对改进后的算法进行了验证,验证结果表明,选取合适的期望损失因子值,最小期望损失的贝叶斯过滤算法能有效提高邮件过滤的准确率。     

主动贝叶斯网络分类器

在机器学习中，主动学习具有很长的研究历史。给出了主动贝叶斯分类模型，并讨论了主动学习中几种常用的抽样策略。提出了基于最大最小熵的主动学习方法和基于不确定抽样与最小分类损失相结合的主动学习策略，给出了增量地分类测试实例和修正分类参数的方法。人工和实际的数据实验结果表明，提出的主动学习方法在少量带有类别标注训练样本的情况下获得了较好的分类精度和召回率。     

贝叶斯网络中变量的最优预测

贝叶斯网络是进行联合概率分解及研究证据传递的有效的图形模式.在贝叶斯网络中,研究变量的最优预测问题对揭示贝叶斯网络内部机制及分类器的属性选择等都具有重要意义.证明了在0-1损失下,对贝叶斯网络中任一特定变量进行预测时,联合预测是最优预测,贝叶斯网络和该变量的马尔科夫毯预测也是最优预测,同时给出了马尔科夫边界的信息结构,并使用模拟数据进行了定性与定量分析.     

基于代价敏感贝叶斯网络的烟叶感官质量评价

贝叶斯网络在判别分类中具有很多优势,应用贝叶斯网络对烟叶感官质量进行预测和评价。一些烟叶质量指标的误分类代价不同,提出一种代价敏感贝叶斯网络。通过生成准则学习代价敏感贝叶斯网络的结构,进行代价敏感参数估计。应用代价敏感贝叶斯网络对一组烟叶进行感官质量预测和评价,结果表明了代价敏感贝叶斯网络在烟叶质量感官评价中的有效性。     

Inference for Weibull distribution under generalized order statistics

Based on generalized order statistics from Weibull distribution the approach of Bayesian and non-Bayesian estimation are discussed. We present a simple and efficient simulational algorithm for generating a generalized order statistics sample from any continuous distribution. Specializations to Bayesian and non-Bayesian estimators, some lifetime parameters and confidence intervals of progressive II censoring and record values are obtained and compared with the existing results. Two examples are given to illustrate the proposed estimators and the simulation algorithm.     

一种增量贝叶斯分类模型

分类一直是机器学习，模型识别和数据挖掘研究的核心问题，从海量数据中学习分类知识，尤其是当获得大量的带有类别标注的样本代价较高时，增量学习是解决该问题的有效途径，该文将简单贝叶期方法应用于增量分类中，提出了一种增量贝叶斯学习模型，给出了增量贝叶斯推理过程，包括增量地修正分类器参数和增量地分类测试样本，实验结果表明，该算法是可行的和有效。     

基于类约束的贝叶斯网络分类器学习

分类能力是人类经过学习得到的重要而基本的能力，也是机器学习、模式识别和数据采掘研究的核心问题．在01损失率下，证明了基于类约束的贝叶斯网络分类器是最优分类器．建立该分类器的核心问题是基于类约束属性贝叶斯网络结构学习，给出了学习属性贝叶斯网络结构的方法，在学习过程中使用了根据弧方向因果语义确定边方向的方法，并和碰撞识别定向相结合，在边定向之后进行冗余弧检验，解决了目前冗余边检验在定向之前所导致的问题，显著提高了结构学习效率和准确性．并使用模拟数据进行了分类实验和分析。     

On the Optimality of the Simple Bayesian Classifier under Zero-One Loss

The simple Bayesian classifier is known to be optimal when attributes are independent given the class, but the question of whether other sufficient conditions for its optimality exist has so far not been explored. Empirical results showing that it performs surprisingly well in many domains containing clear attribute dependences suggest that the answer to this question may be positive. This article shows that, although the Bayesian classifier's probability estimates are only optimal under quadratic loss if the independence assumption holds, the classifier itself can be optimal under zero-one loss (misclassification rate) even when this assumption is violated by a wide margin. The region of quadratic-loss optimality of the Bayesian classifier is in fact a second-order infinitesimal fraction of the region of zero-one optimality. This implies that the Bayesian classifier has a much greater range of applicability than previously thought. For example, in this article it is shown to be optimal for learning conjunctions and disjunctions, even though they violate the independence assumption. Further, studies in artificial domains show that it will often outperform more powerful classifiers for common training set sizes and numbers of attributes, even if its bias is a priori much less appropriate to the domain. This article's results also imply that detecting attribute dependence is not necessarily the best way to extend the Bayesian classifier, and this is also verified empirically.     

改进贝叶斯分类算法在入侵检测中的研究

把朴素贝叶斯分类算法引入到入侵检测中,可以简单方便地区别出入侵事件。但是由于该算法在学习中存在一定的不足和缺陷,主要是属性值之间要求相互条件独立和训练集数据不完备这两个缺陷,导致了它的检测效果并不是很理想。文中针对该算法这两个最主要的缺陷,提出增量学习概念,引入损失幅度参数,改进和完善朴素贝叶斯分类算法。并对改进后的新学习策略进行了分析和研究,给出了其基本实现思想和算法描述,并指出它实现的可能性。     

基于自适应增强算法的支持向量机组合模型

为了提高软测量模型的泛化能力,提出一种基于AdaBoosting算法的组合支持向量机(SVM)模型.该方法在贝叶斯分析的基础上,利用样本概率初始化惩罚系数,依据回归过程中的损失函数更新惩罚系数权重,使得SVM训练模型有强、弱之分,突出一些重要样本的作用,以提高模型的估计精度和泛化能力.仿真结果表明,依据该方法建立的组合模型明显改善了软测量模型的估计能力和泛化能力.     

Comparison of estimates using record statistics from Weibull model: Bayesian and non-Bayesian approaches

This paper develops a Bayesian analysis in the context of record statistics values from the two-parameter Weibull distribution. The ML and the Bayes estimates based on record values are derived for the two unknown parameters and some survival time parameters e.g. reliability and hazard functions. The Bayes estimates are obtained based on a conjugate prior for the scale parameter and a discrete prior for the shape parameter of this model. This is done with respect to both symmetric loss function (squared error loss), and asymmetric loss function (linear-exponential (LINEX)) loss function. The maximum likelihood and the different Bayes estimates are compared via a Monte Carlo simulation study. A practical example consisting of real record values using the data from an accelerated test on insulating fluid reported by Nelson was used for illustration and comparison. Finally, Bayesian predictive density function, which is necessary to obtain bounds for predictive interval of future record is derived and discussed using a numerical example. The results may be of interest in a situation where only record values are stored.