基于RBFN和贝叶斯准则的目标存在性判决

利用海杂波的混沌特性和神经网络的非线性拟合性能,训练并创建了海杂波的RBFN预测模型,以此来判断雷达回波信号中是否包含有目标信息.通过计算有目标和无目标时RBFN模型的预测输出均方误差e,将目标检测问题转化为二模式的分类问题,分类判决原则采用基于最小错误率的贝叶斯准则.仿真实验在假设有无目标的先验概率P(H0)和P(H1)相等的情况下,将预测均方误差的类条件概率密度曲线P(e|H0)和P(e|H1)的交点取为门限η,得到最小检测信噪比[SNR]=-13.271 dB.     

YCbCr空间中一种基于贝叶斯判决的肤色检测方法

皮肤颜色是人脸检测、定位、跟踪时的一种十分有效的特征,而且裸露的皮肤区域也是色情图像的最重要特征之一.为了有效地进行图像的皮肤检测,提出了一种新的肤色检测方法.该方法首先通过统计1809 502个肤色像素点和1763682个非肤色像素点,并使用贝叶斯规则来建立肤色分类器;然后考虑亮度对肤色的影响,采用Y-Cb和Y-Cr两个子空间的查询表来建立肤色模型.为了联合使用两个查询表,先采用高斯归一化和线性化方法来将阈值范围调整至[0,1];同时对查询表进行中值滤波处理,以除去离散孤立点.实验表明,与其他3种方法相比,该方法不仅有着较低的漏检率（9.814%）和误检率（3.5%）,而且对于不同光照条件也有较好的检测效果.     

贝叶斯网络的代价敏感结构学习

针对最小化错误分类器不一定满足最小化误分类代价的问题,提出了一种代价敏感准则--即最小化误分类代价和最小化错误分类率的双重准则.研究了基于代价敏感准则的贝叶斯网络结构学习,要求搜索网络结构时在满足误分类代价最小的同时,还要满足错误分类率优于当前的最优模型.在UCI数据集上学习代价敏感贝叶斯网络,并与相应的生成贝叶斯网络和判别贝叶斯网络进行比较,结果表明了代价敏感贝叶斯网络的有效性.     

最小总风险准则的贝叶斯网络个人信用评估模型*

将最小总风险准则MOR与贝叶斯网络分类器相结合,提出了一种新型信用评估模型。在两个真实数据集上以MOR用10层交叉验证对贝叶斯网络信用评估模型进行了测试,并与最小错误概率准则MPE的贝叶斯网络分类器的结果进行了对比。结果表明,基于MOR的贝叶斯网络分类模型可以有效地减小信用评估风险。     

基于贝叶斯疑似度的启发式故障定位算法

故障定位问题理论上已经证明为NP-Hard问题.为了降低计算复杂度,以概率加权的二分图作为故障传播模型,提出了一种基于贝叶斯疑似度的启发式故障定位算法(Bayesian suspected degree fault localization algorithm,简称BSD).引入贝叶斯疑似度,对所有故障仅计算一遍;同时采用增量覆盖方式,使算法具有较低的计算复杂度O(|F|×|S|).仿真实验结果表明,BSD算法具有较高的故障检测率和较低的故障误检率,即使在部分告警无法观察、告警丢失和虚假等情况下,算法依然具有较高的故障检测率.BSD算法具有多项式计算复杂度,可以满足大规模通信网故障定位的要求.     

基于贝叶斯信息准则的文本主题数估计

特定领域的主题识别和关键词提取有着广泛的应用,但通过人工指定识别或文本聚类自动生成的主题类别缺乏客观的度量方法。该文结合基于BIC准则的模型选择理论和独立分量分析技术对主题的数量进行概率估计,给出主题数量在BIC意义下的统计分布。在此基础上实现了文档矩阵的ICA分解,并根据分离的独立分量获得主题的关键词及其权重。实验表明,该方法在没有领域知识支持的情况下能估计出反映文本集合的主题数并提取相应的关键词。     

基于贝叶斯征兆解释度的链路故障定位算法

针对故障和征兆关系不确定的网络中故障定位算法检测率低和误检率高的缺陷,提出了一种基于贝叶斯征兆解释度的链路故障定位算法。该算法以概率加权的二分图作为故障传播模型,通过处理贝叶斯后验概率信息,定义一种新的参数贝叶斯征兆解释度,并基于该参数对可能链路故障进行判断,得出最优故障假设集合,实现链路故障定位。理论分析和仿真实验表明,该算法具有较低的计算复杂度,且在小规模不确定网络中具有较高的故障检测率和较低的故障误检率。     

基于贝叶斯统计推理的故障定位实验研究

故障定位的目的是帮助程序员寻找引发失效的原因或故障位置,以加快调试过程.故障和失效间的关系往往非常复杂,难以直接描述故障到失效的转化.最新的研究多采用差异分析的方法,基于可疑模式,构建故障推理贝叶斯网络,其节点由可疑模式及组成可疑模式方法的调用者构成;定义了贝叶斯网络的构建算法、各个相关概率的定义及BBN中各个边的条件概率计算公式.提出基于该BBN的推理算法,推理得到包含故障的模块,并计算得到每个模块包含故障的概率.提出了评价方法,详细设计了参数调整与定位性能的关系实验和定位结果分析实验.实验数据表明,该故障定位方法取得了平均0.761的定准率和0.737的定全率,定位结果良好,具有较高的实用价值.     

基于贝叶斯准则的集中式与分布式检测对比研究

单站条件下,高速网络和高性能服务器的应用克服了传统多雷达组网时通信带宽和融合中心计算性能的约束,使集中式检测成为可能。论文基于传统检测理论,推导了贝叶斯准则下集中式检测与分布式检测的实现原理、阈值设计等内容,从算法理论上论证了集中式检测的优越性。进一步研究了集中式检测在工程实践中需克服的关键技术问题。为多雷达联合检测技术提供新的研究思路。     

基于贝叶斯的软件错误定位方法

为提高基于程序切片和覆盖信息的传统错误定位技术的效率,提出一种基于程序动态切片和贝叶斯相结合的错误定位方法。针对程序执行轨迹计算动态切片,减少搜索空间;在切片后覆盖信息的基础上,利用贝叶斯公式计算相关语句的可疑度;根据语句可疑度降序排列语句,依次检查直到找出真正的错误语句。实验结果表明,该方法能够在一定程度上提高软件错误定位的效率与精度。     

基于Bayes定理的分类规则研究

研究了利用Bayes定理发现分类规则的方法,用Bayes定理可以发现分类规则,然后用分类规则进行数据分类。结合实例针对概念性数据集及包含数值性属性和概念性属性的数据集两种情况进行讨论。通过实例说明Bayes定理是数据挖掘中一种有效的数据分类方法。     

基于Bayes规则与HMM相结合的步态识别方法研究

提出一种将Bayes规则与HMM相结合的步态识别方法.检测环节通过采用重心变化作为特征序列来削弱时间差分算法中运动实体目标存在中空的负面影响,通过对检测出的目标特征序列采用直线拟合提取对称轴,并等效转化为具有方向性的点线距序列,来简化运算,降低失真度.步态训练中,通过初始化的修正使训练出的HMM接近全局最优,并给出Bayes相关先验学习方法.步态识别中,应用HMM的前-后向算法,并融合Bayes规则,客观性增强,最终结果经中国科学院CASIA的原始步态视频测试,达到比较高的识别率,且对衣着具有一定鲁棒性.该文方法主要针对视角在0°～180°间的室内监控直道行走场景.     

基于粗糙集和贝叶斯理论的IT项目风险规则挖掘

针对IT项目的风险决策过程中存在大量不确定、不完全信息等特征,本文在传统粗糙集的基础上,将贝叶斯理论引入到IT项目的风险管理中,提出了规则支持度、置信因子、覆盖因子等获取的相关算法,构建了基于粗糙集与贝叶斯理论相结合的风险规则挖掘模型,并通过实例对该模型进行了详细分析。     

二值文本分类中基于Bayes推理的特征选择方法

针对二值文本分类算法中的特征选择问题,本文提出了基于贝叶斯推理的评估函数算法来替代常用的、以IG或MI为评估函数的算法;同时,提出了以评估函数值的累计贡献率表示置信度,并以此确定特征选择维度的可量化的方法.对比实验显示,本文提出的新方法具有简便易行、高效实用的优点,此算法不仅对文本分类问题,对其它各类二值分类问题中的特征选择方法研究也都具有很好的参考、借鉴价值.     

基于Bayes估计理论的数据融合方法

本文研究了多传感器数据融合技术的一种方法。融合方法以Bayes估计理论为基础,并对数据进行了一致性检验,得到了多传感器最优融合数据,提高了数据的精确度。实际应用结果验证了算法的准确性,并进行了Matlab仿真。这种数据融合方法计算简便,可以获得比有限个传感器的算术平均值更准确的测量结果。具有较高的可靠性,可用于测量结果具有正态分布特性的多传感器测量系统。     

基于贝叶斯理论的分类模式挖掘方法研究

分类规则可以挖掘出某些共同特性，是数据挖掘的重要方法之一。将贝叶斯理论应用于分类模式挖掘算法的设计中，可使分类的错误率最小，设计出更加完善的挖掘算法，从而提高数据挖掘的准确性和有效性。     

基于多视角的多类型错误全面检测方法

随着信息化社会的发展,数据的规模越发庞大,数据的种类也越发丰富.时至今日,数据已经成为国家和企业的重要战略资源,是科学化管理的重要保障.然而,随着社会生活产生的数据日益丰富,大量的脏数据也随之而来,数据质量问题油然而生.如何准确而全面地检测出数据集中所包含的错误数据,一直是数据科学中的痛点问题.尽管已有许多传统方法被广泛用于各行各业,如基于约束与统计的检测方法,但这些方法通常需要丰富的先验知识与昂贵的人力和时间成本.受限于此,这些方法往往难以准确而全面地检测数据.近年来,许多新型错误检测方法利用深度学习技术,通过时序推断、文本解析等方式取得了更好检测效果,但它们通常只适用于特定的领域或特定的错误类型,面对现实生活中的复杂情况,泛用性不足.基于上述情况,结合传统方法与深度学习技术的优点,提出了一个基于多视角的多类型错误全面检测模型CEDM.首先,从模式的角度,结合现有约束条件,在属性、单元和元组层面进行多维度的统计分析,构建出基础检测规则;然后,通过词嵌入捕获数据语义,从语义的角度分析属性相关性、单元关联性与元组相似性,进而基于语义关系,从多个维度上更新、扩展基础规则;最终,联合多个视角...     

基于改进贝叶斯分类算法的入侵检测系统模型的构建

根据分类技术建立入侵检测系统的思路,构造了一个基于贝叶斯分类的入侵检测系统模型。本文提出了利用未标记数据提高贝叶斯分类器性能的方法,可以大大提高入侵检测系统准确率和效率。     

基于贝叶斯学习的集成流量分类方法

NB方法条件独立性假设和BAN方法小训练集难以建模。为此,提出一种基于贝叶斯学习的集成流量分类方法。构造单独的NB和BAN分类器,在此基础上利用验证集得到各分类器的权重,通过加权平均组合各分类器的输出,实现网络流量分类。以Moore数据集为实验数据,并与NB方法和BAN方法相比较,结果表明,该方法具有更高的分类准确率和稳定性。     

基于贝叶斯方法和变化表的恐怖行为预测算法

传统的恐怖行为预测算法没有考虑到组织会改变其行为策略,而CAPE算法根据组织背景的改变预测行为变化,但其只能根据变化表中存在的背景变化预测行为。为了能根据任意背景变化预测恐怖行为,针对恐怖数据高维小样本的特点,提出了一种 利用贝叶斯方法在改进的变化表上预测组织行为的算法。利用贝叶斯方法可快速有效地解决高维小样本分类问题的特性,在改进的变化表上实现对组织行为的预测,从而提高了预测精度和计算效率。此外,考虑到背景的变化会在时间序列上对组织行为产生持续的影响,因此在不同时间滞差下,利用加权的贝叶斯方法预测组织行为。MAROB数据集上多个组织数据的实验结果也表明,所提算法在准确率及时间复杂度上优于CAPE算法。