一种文本处理中的朴素贝叶斯分类器

首先在特征独立性假设的基础上，讨论了朴素贝叶斯分类器的原理，以及训练朴素贝叶斯分类器和应用朴素贝叶斯分类器进行分类的问题。然后，通过EM算法（期望值最大算法），自动增加训练量，以得到较为完备的训练文本库，扩展了朴素贝叶斯分类器的应用，提高了朴素贝叶斯分类器的分类精度。文章最后给出一组实验数据。本文的研究发现，朴素贝叶斯分类器分类精度较高，并且不存在单分类器与多分类器的实现差异，是一个比较实用的分类器。     

基于改进朴素贝叶斯的Android恶意应用检测技术

在对未知应用静态分析的基础上,提取AndroidManifest.xml中申请的权限为特征,采用信息增益算法优化选择分类特征,再采用拉普拉斯校准、乘数取自然对数改进的朴素贝叶斯算法创建恶意应用分类器.通过十折交叉试验验证改进的朴素贝叶斯分类器的准度和精度较高,且通过信息增益优化选择的分类特征在保障准确率的情况下能有效提高检测效率.与k最近邻和k-Means分类器相比,改进的朴素贝叶斯分类器具有较好的分类效果.     

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.     

朴素贝叶斯分类器的误差估计

模式分类旨在依据识别对象特征的观察值将其归并至某个类别,贝叶斯分类决策可实现模式分类．给出一类遵从特征观察量独立性假设的贝叶斯分类器即朴素贝叶斯分类器设计．并给出朴素贝叶斯分类器的分类误差估计方法．理论分析与实验结果表明,朴素贝叶斯分类器设计方案可行,且其分类误差估计方法有效,可用于模式分类事务处理．     

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。     

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.     

基于朴素贝叶斯分类的路面积雪状态检测

为解决路面积雪状态(轻微、严重)检测问题以保证行车安全,利用监控视频得到路面实时状态,采用朴素贝叶斯分类方法进行积雪状态检测。首先利用机器视觉和视频目标分割方法提取视频中路面视觉特征,然后采用朴素贝叶斯分类方法进行路面积雪状态分类,通过实验,综合比较了朴素贝叶斯分类与KNN分类、人工神经网络(ANN)、支撑向量机(SVM)在路面积雪状态检测问题中的有效性,结果表明,朴素贝叶斯分类器更适合积雪状态的分类。     

基于PCA和贝叶斯分类技术的滚动轴承质量检测方法

针对滚动轴承质量分类检测和贝叶斯分类器在实际应用中存在的问题,提出了基于PCA和贝叶斯分类技术的滚动轴承质量检测方法.理论分析和实验结果表明：基于PCA和贝叶斯方法的滚动轴承质量分类技术具有模型简单,检测速度快等优点,可以在实际应用中发挥有效作用.     

基于贝叶斯分类器的煤与瓦斯突出强度预测研究

摘。要：选取了影响煤与瓦斯突出的5个因素作为属性条件,把突出强度作为目标变量,利用训练样本对朴素贝叶斯分类器模型进行了学习训练,对测试样本进行了预测,从结果来看精确度较高．因此朴素贝叶斯分类器模型预测煤与瓦斯突出强度是有效的．     

基于贝叶斯分类器的图像分类技术

分类的目的就是根据现有的图像特征建立一个分类器,能够对未知的图像类型进行预测.在现有众多分类算法中,贝叶斯分类器由于其坚实的数学理论基础并能综合先验信息和数据样本信息,成为当前机器学习和数据挖掘的研究热点之一.本文论述了内容图像检索中基于贝叶斯分类器的图像分类技术.介绍了贝叶斯分类器.叙述了利用贝叶斯分类器进行图像分类的方法,以及图像特征的分布假定.最后通过时分类器的探讨,总结了贝叶斯估计分类的不足.     

深度业务感知与电信网P2P业务

分析了深度业务感知的需求与现状,及其用于识别P2P的应用;对比了现有网络和NGN的区别,总结了运营商应对P2P的措施及各措施的优缺点,以及运营P2P的可能性和必要性。分析了深度业务感知现有技术的优缺点,明确了深度业务感知未能完全达到电信级要求的背景,提出了电信运营商介入P2P运营的具体方式。该运营方法与传统方法的区别在于合理利用了P2P技术的优点,是一种融合各方优势的运营模式,深度业务感知技术在其中得到了应用。     

装备研制中基于Bayesian网的数据挖掘

提出采用Bayesian网挖掘装备研制中的试验数据；采用列联表的方法，对独立性检验中基于信息论的方法进行了改进，使确定网络拓扑结构的过程更加客观；挖掘得到Bayesian网后．探讨了其在失效源判定和发现系统设计缺陷等方面的应用。     

基于多层Bayesian信任网的P2P负载均衡模型

针对基于信誉机制的P2P(Peer-to-Peer)网络中的负载不均衡现象,提出一种基于多层Bayesian信任网的P2P负载均衡模型,介绍了如何在Bayesian信任网中引入多种负载指标以及它们之间的各种关联,并且使用该结构预测P2P网络中各服务节点的负载,使整个网络达到负载均衡.对包含负载指标的多层Bayesian信任模型和动态负载模型进行了实验比较.实验结果表明:基于Bayesian信任网的P2P网络负载均衡模型运用节点的历史交互信息,结合Bayesian预测理论,影响资源请求节点选择服务节点,实现P2P负载的有效均衡,确保整个P2P网络资源利用的高效性、节点服务的可靠性以及整个网络的稳定性.     

态势评估中的贝叶斯网络模型研究

针对战场态势评估的特点,采用模块化的贝叶斯网络模型对态势问题进行描述,动态构建贝叶斯网络结构．为了解决动态构建贝叶斯网络的推理问题,提出一种新的解决方法,将待连接贝叶斯网络模块的推理结果作为软证据,输入到已有网络对应的节点中,以代替所要连接的贝叶斯网络模块,在不改变贝叶斯网络结构的情况下完成网络的推理过程．仿真实验结果表明该方法是有效的．     

数据挖掘中的贝叶斯分类器

机器学习与数据挖掘是研究从数据中提取知识的理论和技术,目前这些理论与技术在世界主要经济领域中日益得到广泛应用。分类模型是机器学习和数据挖掘最重要的研究内容之一。在众多的分类方法中,贝叶斯分类器在计算上具有非常高的效率,在某些应用问题上表现出诱人的分类精度,因而广泛地应用于许多实际领城中。为进一步对这一领域展开研究,介绍了贝叶斯分类器的原理、当前现状及下一步的研究重点。     

模型选择中的Bayes方法

在以往关于模型选择的研究中，一般都是先假定选定一个模型，然后对由此模型确定的分布族进行比较，求出最优的分布函数和数值特征，忽略了模型本身的不确定性．介绍了Bayes方法在模型选择中的方法及应用，举例说明了用Bayes方法选择模型，不仅能够浅小模型选择中模型不确定性的影响，而且可以根据实际情况和问题认识程度的深化，对模型进行扩展．     

成组交替对比射击的Bayes评定方法研究

研究了双母体Bayes假设检验方法及其在炮弹弹道一致性评定中的运用。目的在于利用丰富的靶场先验信息,提出弹道一致性试验的Bayes评定方法,以减少试验用弹量,提高试验质量。这里推出了3种情况下被检变量的概率密度函数,为Bayes一致性检验提供了理论依据,并与经典法进行了比较。     

基于案例和规则推理的贝叶斯网建模

正确、高效地针对问题建立模型是应用贝叶斯网的关键,而从数据中学习贝叶斯网往往因为搜索空间庞大而效率低下.提出基于案例和规则推理的建模方法,建立领域知识库,使用框架和一阶概率逻辑表示贝叶斯网,当面对新的问题时,使用相似度和偏离度两个指标进行案例匹配,对选中的案例使用组合和剪枝技术修正,得到新问题的求解模型.整个过程以案例推理为主,并用规则推理辅助.这种方法能够复用历史案例,提高贝叶斯网建模效率.     

边坡稳定不确定性分析的贝叶斯方法

在边坡稳定分析中,存在着各种不确定性因素,传统的稳定性分析模型很难得到合理的预测结果.尝试应用贝叶斯理论对边坡工程模型的不确定性进行分析,并借用蒙特卡洛方法对随机样本进行模拟抽样,从而描述其不确定性.贝叶斯方法充分利用了各种信息,使得到的结果更加合理,贝叶斯方法是描述模型不确定性的一个有力工具.边坡算例分析结果表明贝叶斯方法能够很好地描述边坡稳定不确定性.     

基于贝叶斯网络的元件重要度和灵敏度分析

对于机械系统来说,组成元件的可靠性决定了系统的可靠性,而处于系统结构不同位置的元件对于系统可靠性的影响又存在很大的差异.据此,提出了基于贝叶斯网络的复杂机械系统可靠性组成元件重要度和灵敏度分析的方法,运用该方法不但能计算出机械系统的可靠性指标,而且能方便地给出每个部件或几个部件对系统整体可靠性影响的大小,识别系统的薄弱环节.给出了结合故障树方法建立系统贝叶斯网络模型的方法,并用实例验证了用贝叶斯网络方法进行机械系统可靠性评估以及进行组成元件重要度和灵敏度分析的有效性和优越性.