基于ICA的多维贝叶斯分类器

多维贝叶斯分类器是处理多维分类问题的概率图形模型,其中属性变量可决定一个或多个类变量。文中针对属性变量维数较高和信息冗余问题,采用Fast ICA算法对属性变量进行降维,从而将高维属性变量约减为能较完整描述数据信息的低维属性变量。然后根据约减后的属性变量构建多维贝叶斯分类器;最终,通过理论分析得到基于ICA的多维贝叶斯分类器的性能较好。实验结果表明,对3组基准数据集的分类,基于ICA的多维贝叶斯分类器相比于其他算法具有较高的分类准确率。     

核主成分分析法在酒店数据文本分类中的应用

核主成分分析法作为一种非线性数据处理方法,被广泛应用于数据降维。文章将核主成分分析法应用于中文文本分类领域,使用核主成分分析法对酒店评论数据集进行特征提取。然后,基于核主成分分析法降维后的数据,对比极端梯度提升算法和逻辑回归算法的文本分类效果。实验结果表明,核主成分分析法能够有效去除数据冗余,提升中文文本分类的准确率和查全率。相较于极端梯度提升算法,逻辑回归算法在训练集和测试集上的分类准确率差距不大,模型的泛化能力较好。     

基于PCA的贝叶斯网络分类器研究

针对基于信息论的贝叶斯网络结构学习算法中结点集越大计算效率越低的缺点,采用主元分析（PCA）对样本数据降维．减少构造网络的结点数量,提高贝叶斯网络结构构造算法的效率。应用基于PCA方法构造贝叶斯网络,其结点少、结构简单,较传统贝叶斯网络具有较高的学习效率和分类准确率。     

基于PCA的贝叶斯网络分类器研究

针对基于信息论的贝叶斯网络结构学习算法中结点集越大计算效率越低的缺点,采用主元分析(PCA)对样本数据降维.减少构造网络的结点数量,提高贝叶斯网络结构构造算法的效率.应用基于PCA方法构造贝叶斯网络.其结点少、结构简单,较传统贝叶斯网络具有较高的学习效率和分类准确率.     

多指标混合逐次投影高光谱图像降维算法

降维对于高光谱图像解译具有重要意义。基于二阶统计量分析的经典主成分分析方法在降维过程中会丢失小目标信号。为解决这一问题,本文中引入高阶统计量作为投影指标对主成分分析方法进行拓展,提出了一种基于不同统计量描述的混合逐次投影的高光谱图像降维算法。该方法在保持主成分分析优点的同时,有效结合了非正交向量投影的特点,可以在降维后的低维空间中保留异常信号成分。真实高光谱图像数据的实验结果证明,该方法相对于主成分分析可以提取更加完整的低维信号子空间。     

基于增量式双向主成分分析的机器人感知学习方法研究

针对直观协方差无关增量式主成分分析算法(CCIPCA)需要满足零均值高斯分布的问题,该文提出含均值差向量更新的泛化CCIPCA算法(GCCIPCA),拓展了算法的适用范围。其次,针对机器人感知学习存在的在线增量计算及有效数据降维等问题,将GCCIPCA的增量思想引入到现有的双向主成分分析算法(BDPCA),提出基于增量式BDPCA(IBDPCA)的机器人感知学习方法。该方法直接针对图像矩阵行列方向的类散度矩阵进行迭代估计,具有一定的泛化能力和快速的增量学习能力,提高了实时处理速度。最后,以机器人待抓取物块作为感知对象进行实验,结果表明所提算法能够满足机器人感知学习的实时处理需求,相比现有的增量式主成分分析算法,在收敛率、分类识别率、计算时间及所需内存等性能方面均得到显著提升。     

基于机器学习的太赫兹光谱分析与识别

国内对转基因作物的监管非常严格,但是对转基因作物的检测缺乏快速准确的计量方法。太赫兹时域光谱结合机器学习分类算法可以实现对转基因作物快速有效地检测识别。通过太赫兹时域光谱技术提取了2种转基因油菜种子和一种非转基因油菜种子的太赫兹吸收谱,朴素贝叶斯算法、基于朴素贝叶斯的自适应提升算法、主成分分析结合随机森林算法、主成分分析结合支持向量计算法被应用于转基因油菜种子的太赫兹吸收谱的分类识别。通过实验对比,基于朴素贝叶斯的自适应提升算法获得了高达96.6%的检测准确率。该研究为运用太赫兹光谱技术手段开展转基因作物的快速检测提供方法参考。     

基于分类降维的入侵检测研究

降维技术能提高入侵检测分类器的学习效率和检测速度。针对目前入侵检测数据特征降维力度不足,提出了一种基于主成分的分类特征的分析方法。然后把样本数据按照所需的规则分割成多个子集,对每个子集进行主成分分析。实验的结果表明采用分类的方法能够更加有效地降低数据的维数,学习速度与检测速度都得到了提高。     

基于相似属性PCA和SVM的网络入侵检测

针对现有网络入侵检测算法泛化能力差与处理大样本数据耗时长的问题,本文提出了基于相似属性主成分分析（PCA）与支持向量机（SVM）的网络入侵检测的方法。采用KDD 1999数据集仿真,原始数据集根据属性间的相似程度分为四类属性集,对四类属性集分别采用PCA进行特征抽取,最后用SVM检验分类的正确率。实验结果表明：与直接采用PCA对全部属性一起降维相比,相似属性PCA的分类降维方法有较短的处理时间,并且有更强的泛化能力,即对未知攻击类型的检测性能。     

基于WEKA的客户流失预测研究

针对电信企业客户流失问题,提出一种基于Weka平台知识自动获取的客户流失预测模型。针对决策树算法偏向于选择取值较多的属性作为测试属性的缺点,结合OIR算法选择相关属性子集进行分类,降低相关度较小属性与重复属性对分类的影响。通过在Weka平台上使用6个UCI数据集和移动公司客户数据的实验结果表明,优化后的决策树算法克服了决策树算法的取值偏置问题,从而获得比J48算法更高分类准确率。     

基于WEKA平台的三种面向对象土地覆被分类方法研究

卫星遥感技术的迅速发展,使得遥感影像的应用愈来愈广泛,尤其是高分辨率遥感影像。面向对象提取算法在利用高分辨率影像特征的基础上,提取影像中和真实的物相符的区域。机器学习算法也越来越多地应用到遥感影像土地覆被分类中。文章将基于WEKA平台使用J48决策树、随机森林和贝叶斯网络三种机器学习算法对目标研究区域土地覆被进行分类。研究结果表明,与贝叶斯网络和J48决策树相比,随机森林的分类精度更高,效果更好,准确率为76.10%,Kappa指数为0.681 6。     

一种基于FPGA的脑电分类算法实现

通过对脑电信号特征的分析,利用小波变换的多尺度分析技术对脑电信号进行特征提取,进而使用主成分分析算法对特征进行降维,并对降维后的信号使用Fisher线性判别方法进行分类。最后,利用VerilogHDL硬件编程语言设计实现了Mallat分解算法、PCA算法和LDA算法模块,并在FPGA应用板上实现了脑电分类功能。系统对2008年BCI大赛的数据进行了测试,分类准确率达到92.31%,表明该方法对开发便携式脑机接口系统具有良好的应用价值。     

基于改进决策树的导航系统故障诊断的研究

提出了一种基于改进决策树的导航系统故障诊断方法。该方法首先将导航数据的初始属性按照信息增益率进行排序,然后利用神经网络对初始属性进行裁剪处理,最后用裁剪后的属性建立最小决策树,并建立分类规则。与传统的决策树分类算法相比,此方法通过利用信息增益筛选属性,直接生成最小规模决策树,避免了决策树的剪枝处理过程。实验表明,此方法与传统决策树算法相比,时间开销更小,诊断精度也有所提高。     

基于决策树算法的网络信息安全威胁识别方法

为了提高网络信息的安全性,引进决策树算法,设计基于决策树算法的网络信息安全威胁识别方法。提取网络信息属性,获取数据的划分规则,从决策树的根节点开始执行构造行为,进而生成可用于识别威胁源端的决策树;将测试样本数据集合中的数组作为依托,对数据生成中影响决策树稳定性的数据或信息作为初步生成规则,以此将决策树中的数据集合进行冗余值删除处理,实现基于决策树剪枝处理的网络信息分类处理;根据检测到的攻击路径识别攻击的源端,实现识别网络信息安全威胁。实验表明,相比传统方法,设计的识别方法,可以在确保威胁识别具有时效性的基础上,提升信息安全威胁识别结果的准确率,准确率最高达到100.0%,远高于传统方法。     

多模态异构大数据混合属性特征匹配筛选算法

多模态异构大数据混合了多种属性数据,具有数据类型繁杂、数据维度较高的特点,在数据挖掘过程中容易降低多模态异构大数据利用率。为了提高特征匹配紧密度,提出多模态异构大数据混合属性特征匹配筛选算法。建立距离矩阵对多模态异构大数据实施混合属性降维;采用主成分分析法提取降维后的数据主成分,将提取到的主成分作为数据混合属性备选特征;计算主成分互信息,筛选互信息值大于1的数据特征,聚集同属性相似特征,实现特征匹配。在4个多模态异构大数据集中进行应用测试,测试结果表明所提算法匹配紧密度均高于0.8,由此证明,该算法具有较高的混合属性特征匹配质量。     

基于特征提取和机器学习的电磁目标识别方法

电磁目标识别在军事领域中非常重要。为了准确识别电磁目标,本文提出一种基于特征提取和机器学习的电磁目标识别方法。首先,通过重采样、改变幅值和信号叠加三种方法扩充电磁目标数据库;然后,提取电磁目标的时域和频域统计特征;之后,通过主成分分析方法进行特征降维,保留前三个主成分;最后,用机器学习算法进行分类识别。研究结果表明,本文所提出的方法能够准确快速地识别电磁目标,在不同信噪比下的识别准确率均在98%以上。     

联合循环平稳特征PCA与RVM的频谱感知

针对无线信道环境中低信噪比情况下主用户信号检测率较低的问题,提出了一种基于循环平稳特征主成分分析(PCA)与相关向量机(RVM)的认知网络频谱感知算法。该算法结合了主成分分析算法与相关向量机分类方法,应用于解决认知网络频谱感知问题。首先对信号循环平稳特征参数进行特征提取,通过主成分分析进行降维提取信号主成分,生成训练样本和待测样本,并完成对相关向量机的训练,再采用训练完成的相关向量机算法分别对有无主用户情况下的信号进行分类检测,最后获得主用户信号存在性的感知判断。仿真实验表明,与人工神经网络、支持向量机和最大最小特征值算法相比较,所提算法在低信噪比情况下具有较高的分类检测性能,检测率最大可提高61.6%,有效地实现了对主用户信号的感知。     

旁路信号主成分分析的欧式距离硬件木马检测

针对集成电路中的硬件木马问题,利用旁路信号分析技术,设计了一种基于集成电路芯片的硬件木马检测模型。在对提取出的旁路信号进行主成分分析降维基础上,运用欧式距离分类法进行硬件木马的分类识别和检测。最后运用功耗分析的方法进行了算法有效性验证。     

平均1-依赖决策树集成算法

基于平均1-依赖贝叶斯分类器(AODE)算法的思想, 提出了平均1-依赖决策树集成算法(AODT), 该算法通过使用每个输入属性和类别属性共同建立集成学习中的个体决策树分类器.同时,我们从多任务学习的角度探讨了AODE和AODT算法的工作原理. 通过在Weka平台上使用40个UCI数据集的实验结果表明, 该算法可以显著提高决策树学习算法的分类性能, 并且具有很好的抗噪声性能.     

WSNS中基于Fusion-Bayes的离群点检测

随着无线传感器网络技术的发展,数据采集量越来越大,维数也不断提高。然而现有的离群点检测算法多是面向单维或低维度数据,对此文中提出了基于Fusion-Bayes的离群点检测算法。该检测方法首先利用数据转换技术将不同数据属性转换成统一格式,使得各属性可以进行融合运算;然后再利用贝叶斯方法对融合后的属性进行离群点检测。通过实验得出,多维数据属性融合后的检测结果相比于单维属性或低维属性的检测更加准确、效果更好。