基于支持向量机特征选择的贝叶斯网结点序

目前较常采用搜索打分方法进行贝叶斯网络结构学习,该方法需要首先依据参与者的经验来确定网络的结点顺序,主观性较强,限制了它的实际应用。基于支持向量机特征选择的方法,可以按照各个结点对叶结点的影响能力进行排序,从而直接从数据中通过学习得出结点顺序,避免了人为因素的影响。实验结果验证了该方法的有效性。     

基于贝努里分布的贝叶斯网络结构学习算法

目前,学习具有丢失数据的贝叶斯网络结构主要采用结合EM算法的打分-搜索方法和基于依赖分析的思想,其效率和可靠性比较低.本文针对此问题建立一个新的具有丢失数据的贝叶斯网络结构学习算法.该方法首先根据贝努里分布来表示数据库中变量结点之间的关系,并用Kullback-Leibler(KL)散度来表示同一结点的各个案例之间的相似程度,然后根据Gibbs取样来得出丢失数据的取值.最后,用启发式搜索完成贝叶斯网络结构的学习.该方法能够有效避免标准Gibbs取样的指数复杂性问题和现有学习方法存在的主要问题.     

基于结构学习的KNN分类算法

KNN（K-Nearest Neighbor）算法和贝叶斯网络分类算法（Bayesian Network，BN）都是目前应用非常广泛的分类算法。本文首先分析了KNN和BN的分类特点，然后在保留了两个算法在分类问题中优点的基础上，提出了基于贝叶斯网络结构学习的KNN算法（BN—KNN）。实验结果表明，BN—KNN算法能够有效地提高分类的正确率。     

贝叶斯网络结构模型的构建

贝叶斯网络结构是一种将贝叶斯概率方法和有向无环图的网络拓扑结构有机结合的表示模型,它描述了数据项及其依赖关系,并根据各个变量之间概率关系建立图论模型,但是如何获取具有丢失数据的网络结构是一个急需解决的问题.本文提出一个基于Kullback-Leibler(KL)散度的贝叶斯网络结构学习的KLBN(Kullback-Leibler Bayesian Network)算法.实验结果表明,KLBN算法在可靠性方面明显优于传统的具有丢失数据的贝叶斯网络结构学习算法.     

舰载软杀伤武器及相关技术

在现代海战中，传统的硬杀伤作战模式在实际应用中变得越来越困难，而采用多种先进技术的软杀伤武器显现出了理想的作战效果，引起各主要海军国家的高度重视。     

改进的支持向量机特征选择算法

针对采用支持向量机进行分类的特征子集选择问题,提出一种改进的基于梯度向量的特征评测算法。该算法在核特征空间中,利用数据点到分类超平面的距离函数的梯度向量对各个特征的重要性进行排序,省去了已有算法中计算梯度向量与各个坐标轴夹角的过程,实验结果表明,该算法简化了已有的基于角度的特征选择方法,并且结果保持一致。     

无先序条件约束的KNN算法

KNN(K-Nearest Neighbor)是向量空间模型中最好的分类算法之一,非常有效和容易实现.文中介绍了KNN算法的基本思想,并针对KNN算法在解决问题的时候存在只考虑样本的数值特征,没有考虑样本结构特征的缺点,利用贝叶斯网络结构的学习算法,加入了变量之间的因果关系,产生分类数据库中样本的结构特征权重,提出在无先序条件约束下,基于贝叶斯结构特征加权的KNN算法(BS-KNN,Bayesian structure KNN).实验结果表明,BS-KNN算法能够有效地提高分类的正确率.