网页自动分类不确定性问题的贝叶斯网络解法

针对网页自动分类中存在的类边界模糊、语料不均匀等引起的分类不确定性问题,提出了贝叶斯网络自动分类融合模型和融合算法,该模型和算法基于网页上多种信息进行融合,并采用不同的与处理方法分别对多种信息进行处理,将处理后的信息输入到贝叶斯网络融合中心进行融合推理,得到最终的分类结果。同时,为了降低贝叶斯网络推理时间复杂度,提出了改进的贝叶斯网络图推理算法。实验结果表明,改进后的融合模型和融合算法能有效解决网页自动分类中的不确定性问题,并能提高网页自动分类的准确率和查全率。     

基于贝叶斯分类器的移动机器人避障

贝叶斯分类是一种基于贝叶斯定理的统计学分类方法,它是结合先验信息与样本信息计算出后验概率。介绍了一种基于贝叶斯分类的移动机器人避障方法。对摄像头所获得的图像进行图像分割以抽取图像的障碍物边缘信息,根据所得到的障碍物轮廓对其左右边界进行标定。叙述了朴素贝叶斯分类器在先验概率未知情况下的工作过程。基于朴素贝叶斯分类器对未知类标号的样本进行分类,从而得到机器人移动的控制指令。实验结果表明了该方法的有效性和可行性。     

一种新的车辆辅助驾驶动态障碍物检测与分类方法

车前动态障碍物的检测与识别在智能车辆辅助驾驶中具有重要意义。为了解决道路视频中的运动障碍物检测和分类准确率低的问题,提出了一种基于卡尔曼滤波和朴素贝叶斯网络结合的检测与分类方法。首先采用卡尔曼滤波算法检测视频中的障碍物,并将检测到的障碍物进行特征提取。采用障碍物对称性与边缘直线水平度等特征,建立朴素贝叶斯网络对车辆前方的障碍物进行分类。实验结果表明,障碍物检测的准确率达到95％,对摩托车或自行车、汽车正面、汽车侧面和行人等障碍物识别准确率达到98.75%。     

基于两尺度Bayesian网络的SAR图像分类

本文介绍了两尺度贝叶斯网络的模型构成、邻域构成,以及基于两尺度贝叶斯网络模型的图像分类理论,并且验证了该方法在SAR图像的分类中应用。实验证明两尺度贝叶斯网络的分类结果要优于单尺度贝叶斯网络和MRF—ICM的分类结果。     

利用贝叶斯网络融合空间上下文的高分辨遥感图像分类

针对高分辨遥感图像,本文提出了一种基于贝叶斯网络的上下文模型,以及基于该模型的面向对象的遥感图像分类方法.首先,利用支持向量机(SVM)实现分割区域的初始分类,获得各个类别的候选区域.然后,利用提出的上下文模型融合候选区域及其周围区域的上下文信息,通过贝叶斯网络推理,将候选区域分类到各类地物类型中.基于贝叶斯网络的上下...     

基于朴素贝叶斯的阀门关闭不合格原因评估

通过对某电科院阀门关闭测试报告中汽轮机阀门不合格原因和描述的历史信息进行分类整理,将不合格原因评估转为文本分类任务。建立基于自然语言分词处理与朴素贝叶斯分类算法结合的不合格原因评估模型,实现对新增阀门关闭不合格原因的准确判断。通过验证与对比改进,朴素贝叶斯分类模型能够对新增不合格原因进行评估分类。测试中,控制器和网络相关原因准确率能够达到98%以上,其他原因高于85%。该方法有效结合传统纸质报告信息与贝叶斯分类技术的优势,能够对汽轮机阀门复杂的关闭不合格因素进行有效判断。通过贝叶斯分类模型实现对汽轮机阀门不合格原因的判断,可减少人员依赖、加快评估速度、提升评估准确度,并且对智慧电厂中的智能运维与检修起到一定示范作用。     

基于贝叶斯网络的遥感云用户行为认证方法

针对遥感云服务平台中不可信用户的入侵现象，结合遥感云用户行为特点和贝叶斯网络算法设计了一种用户行为认证方案。该方案论述了遥感云平台用户的行为认证机制，并且根据用户行为特点建立了用户行为认证集，结合贝叶斯网络算法预测特点和用户行为属性建立了用于认证等级预测的贝叶斯网络模型，把该模型中分析得出的用户行为属性的权重信息应用到用户等级预测算法中，使该算法针对遥感云用户认证更安全准确，从而实现对用户行为认证等级的预测。仿真实例表明该方法能够准确识别出不可信用户，有效保证遥感云服务平台的安全性。     

基于贝叶斯预测的自主车辆避障方法研究

针对在动态环境中自主车辆对于动态障碍物信息很难具有先验知识的问题,研究了动态贝叶斯网络模型对机动目标运动状态进行贝叶斯预测的推理机理,提出了一种基于贝叶斯预测进行自主车辆避障路径规划控制方法;该规划方法在VORONOI图法基础上,融合了对自主车辆和周围环境之间的位置荚系的贝叶斯预测,一旦预定任务的动态环境发生重大变化,它可以产生机动目标沿某方向前进信息的预测先验知识,通过局部多次重规划生成避障路径,直至自主车辆完成既定任务;仿真实验证明了该规划控制方法可有效帮助自主车辆在不确定环境中实施避障策略.     

基于贝叶斯网络的新媒体事件分类模型

为了对新媒体事件进行准确有效分类,提出一种将K-means算法和贝叶斯网络相结合的混合算法。该算法首先运用K-means算法将训练样本聚类,再根据聚类的结果,运用改进的贝叶斯网络对新媒体事件进行分类。其中,层次贝叶斯网络模型的构建,避免了贝叶斯网络在参数学习时陷入局部寻优;同时引入隐藏节点,更大程度满足了贝叶斯网络的条件独立假设。实验结果表明该算法效果明显。     

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。