基于朴素贝叶斯分类器的个人信用评估模型

个人信用评估是金融与银行界研究的重要内容。论文研究了三种朴素贝叶斯分类器信用评估模型的精度。在两个真实数据集上用10层交叉验证对朴素贝叶斯信用评估模型进行了测试,并与五种DavidWest的神经网络个人信用评估模型进行了对比。结果表明朴素贝叶斯分类器具有较低的分类误差,在信用评估中有优势。     

新的基于最小风险的贝叶斯邮件过滤模型

分析了目前在垃圾邮件过滤中广泛应用的基于最小风险的朴素贝叶斯模型,提出了一种新的基于直线几何分割的朴素贝叶斯邮件过滤模型LGDNBF,定义了新的风险因子。新的风险因子对决策风险的描述更加精确,同时使得LGDNBF具有一定的可扩展性。实验结果证明,LGDNBF的分类准确率比传统的基于最小风险的朴素贝叶斯模型有明显的改善。     

基于最小风险的贝叶斯决策理论相关反馈方法*

在对之前的相关反馈技术的问题和不足进行总结的基础上,提出一种基于最小风险的贝叶斯决策理论相关反馈方法,通过一种自适应机制产生记忆,同时应用最小风险来使用户获得满意的检索结果。实验结果表明该方法准确率高、响应速度快。     

基于贝叶斯网络的大型城市社区消防安全评估模型*

针对大型城市社区的消防安全预控管理问题,分析了国内外消防安全评估的研究现状,提出了一个基于贝叶斯网络的消防安全评估模型,并结合层次分析法对消防安全进行定量评估。该模型利用贝叶斯网络推理反映评估指标之间的条件相关关系,运用层次分析法确定指标权重,有利于提高大型城市社区消防安全评估的客观性、准确性、全面性及智能性,进而改善城市社区消防安全预控管理的预测能力和服务效率,且实验结果证明了该模型的有效性和实用性。     

贝叶斯网络分类模型研究及其在信用评估中的应用

基于概率估计的贝叶斯及贝叶斯网络分类模型,拥有其它数据挖掘工具所不具备的优势。在分析贝叶斯及贝叶斯网络分类模型基础上,结合最小风险决策准则,提出了一种新的信用评估模型。在实际数据集上采用交叉验证方式进行了测试。实验结果表明基于最小风险决策准则的贝叶斯及贝叶斯网络分类模型可以有效地减少信用评估风险。     

基于贝叶斯分类器的简历筛选模型

现代社会网络招聘兴起,为社会、企业节省了不少物力、人力、财力,但如何快速、简捷地从众多的电子简历中找出符合要求的简历又是一个让人头疼的问题.文中在贝叶斯网络的基础上,分别从朴素贝叶斯分类器和 TAN 分类器角度,构建一个基于贝叶斯分类器的电子简历筛选模型,并通过实验验证该模型对电子简历进行分类时的准确率和查全率,且引入一个新的评价指标 f 同时考虑准确率和查全率,得出没有属性变量相互独立限制的 TAN 分类器具有较好的分类效果的结论.     

最小风险贝叶斯决策的二值化人脸识别算法

提出了一种最小风险贝叶斯决策的二值化人脸识别算法,该算法通过设定图像灰度级的阈值对图像进行二值化,统计其出现的频率,计算其类条件概率密度,根据图像的相似性估计其损失函数,利用贝叶斯公式求最小风险,最后根据最小风险判断其所属类别。该方法克服了传统贝叶斯方法难求类内和类间协方差矩阵的缺点,简单易用。实验结果表明,该方法具有可行性,比传统的基于代数的人脸识别算法(PCA、LDA和PCA+LDA)的识别率高,并能有效减少相似类的重叠。     

基于贝叶斯最小风险分类的邮件过滤系统

针对互联网上垃圾邮件给用户带来种种困扰的问题，本文提出了一种基于贝叶斯最小风险分类方法的邮件过滤系统。本方法通过设置损失代价函数，在过滤大部分垃圾邮件的同时，保证了将合法邮件保留，避免了将有用邮件误分类为垃圾邮件时，给用户带来的损失。实验结果表明，本文提出的垃圾邮件过滤系统效果较好。     

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。     

基于粗糙集和贝叶斯网络的作战效能评估

针对部队作战不确定因素多、建模复杂的特点,提出一种作战行动效能的评估模型。运用粗糙集理论除去冗余的评估指标,降低朴素贝叶斯分类器的时空复杂度。给出该模型的评估算法步骤,通过贝叶斯网络的参数学习,将不同数据类型的评估指标统一在类条件概率分布中,既保证了评估的客观性,又较好地表达出作战过程随机性的特点。实例研究表明,将该方法用于作战行动效能的评估是可行的。     

Methods of constructing Bayesian networks based on scoring functions

Available methods of constructing Bayesian networks with the use of scoring functions are analyzed. The Cooper-Herskovits and MDL functions are described in detail and used to compare algorithms of constructing Bayesian networks. __________ Translated from Kibernetika i Sistemnyi Analiz, No. 2, pp. 81–88, March–April 2008.     

基于稀疏贝叶斯学习的个人信用评估

针对传统信用评估方法分类精度低、特征可解释性差等问题,提出了一种使用稀疏贝叶斯学习方法来进行个人信用评估的模型(SBLCredit)。SBLCredit充分利用稀疏贝叶斯学习的优势,在添加的特征权重的先验知识的情况下进行求解,使得特征权重尽量稀疏,以此实现个人信用评估和特征选择。在德国和澳大利亚真实信用数据集上,SBLCredit方法的分类精度比传统的K近邻、朴素贝叶斯、决策树和支持向量机平均提高了4.52%,6.40%,6.26%和2.27%。实验结果表明,SBLCredit分类精度高,选择的特征少,是一种有效的个人信用评估方法。     

基于贝叶斯最小风险的癫痫脑电自动检测算法

提出一种新的不平衡分类算法,基于增减序列合并周期分割算法提取时域特征,引入随机映射优化了旋转森林的计算效率,进而计算基于海林格距离的贝叶斯最小风险来给出测试样本标签。该算法在1 s片段上得到了90.66%灵敏性,92.52%特异性,◢F◣2分数为0.9055,并且检出了98.56%的癫痫发作,检测延迟为1.32 s,在不平衡的癫痫脑电数据集上表现出了良好的性能,对于癫痫辅助诊断有着极大的临床意义。     

基于贝叶斯网络的可信平台控制模块风险评估模型

对可信平台控制模块(TPCM)的风险进行了分析,针对其特点和风险定量评估要求,提出了基于贝叶斯网络的TPCM风险评估模型。在对影响TPCM可信性的风险识别的基础上,根据风险之间的相关性,建立了贝叶斯风险评估网络模型;基于专家评价数据,进一步运用贝叶斯网络推理工具定量评估风险的发生概率及其影响,评估风险强度并对其进行排序,以确定整个TPCM中各风险的控制优先级。最后通过实例分析验证了该模型的有效性。     

基于模糊贝叶斯网络的堆垛机系统可靠性分析

为解决因缺乏实际数据而无法准确估计堆垛机系统和部件的失效概率问题,提出了基于模糊集理论和主观贝叶斯方法的模糊贝叶斯网络诊断策略.该方法首先将故障树转换成相应的贝叶斯网络,然后运用模糊集理论,将专家给出的关于基本事件失效概率的主观语言评判值转换成模糊数,并通过去模糊化处理得到精确解.针对因事件的多态性所引起的条件概率不确定问题,该方法采用主观贝叶斯方法进行估计.通过堆垛机通信模块的可靠性分析实例,验证了该方法是有效的,表明其能够克服在系统建模时的参数不确定问题.     

基于J2EE轻量级框架组合的消费信贷系统的实现

根据优秀软件开发框架的标准和特征,针对J2EE的Web应用传统开发方法的不足,选择以Spring框架为核心,集成Struts和Hibemate的框架组合技术.在分析该组合框架优势和模式的基础上,通过汽车消费信贷系统开发的应用实例,阐述了该组合框架关键的技术和整合策略.实践证明,利用此组合框架易于大规模的开发与管理,且开发的系统具有良好的复用性、扩展性和维护性.     

基于贝叶斯网络的压缩语音信息隐藏检测

压缩语音量化索引调制（QIM）信息隐藏方法中,最近邻投影点QIM（NPP-QIM）方法具有较高的嵌入效率和隐蔽性。针对现有的隐写分析方法对NPP-QIM方法检测准确率不高的问题,提出了一种基于贝叶斯推理的检测方法以提高检测准确率。首先,利用矢量量化（VQ）码字（VQ₁、VQ₂、VQ₃）构建了码字时空转移网络（CSTN）;接着,以码字转移指数对CSTN进行化简得到隐写敏感码字时空转移网络（SS-CSTN）;然后,基于SS-CSTN进一步构建了码字贝叶斯网络（CBN）;最后,使用Dirichlet分布作为先验分布学习网络参数,实现对QIM信息隐藏的检测。实验结果表明,在嵌入率为100%、时长为10 s时,与索引分布特征（IDC）方法和梅尔频率倒频系数（DMFCC）方法相比,提出CBN方法的检测准确率分别提高了25个百分点和 37个百分点;在时间性能方法,检测一段10 s的语音时间约为21 ms,能够实时检测。     

基于贝叶斯优化的无标签网络剪枝算法

针对深度神经网络（DNN）的参数和计算量过大问题,提出一种基于贝叶斯优化的无标签网络剪枝算法。首先,利用全局剪枝策略来有效避免以逐层方式修剪而导致的模型次优压缩率;其次,在网络剪枝过程中不依赖数据样本标签,并通过最小化剪枝网络与基线网络输出特征的距离对网络每层的压缩率进行优化;最后,利用贝叶斯优化算法寻找网络每一层的最优剪枝率,以提高子网搜索的效率和精度。实验结果表明,使用所提算法在CIFAR-10数据集上对VGG-16网络进行压缩,参数压缩率为85.32%,每秒浮点运算次数（FLOPS）压缩率为69.20%,而精度损失仅为0.43%。可见,所提算法可以有效地压缩DNN模型,且压缩后的模型仍能保持良好的精度。     

基于频繁项挖掘的贝叶斯网络结构学习算法BNSL-FIM

贝叶斯网络能够表示不确定知识并进行推理计算表达,但由于实际样本数据存在噪声和大小限制以及网络空间搜索的复杂性,贝叶斯网络结构学习始终会存在一定的误差。为了提高贝叶斯网络结构学习的准确度,提出了以最大频繁项集和关联规则分析结果为先验知识的贝叶斯网络结构学习算法BNSL-FIM 。首先从数据中挖掘出最大频繁项集并对该项集进行结构学习,之后使用关联规则分析结果对其进行校正,从而确定基于频繁项挖掘和关联规则分析的先验知识。然后提出一种融合先验知识的BDeu评分算法进行贝叶斯网络结构学习。最后在6个公开标准的数据集上开展了实验,并对比引入先验/不引入先验的结构与原始网络结构的汉明距离,结果表明所提算法与未引入先验的BDeu评分算法相比显著提高了贝叶斯网络结构学习的准确度。