利用贝叶斯线性回归结合混合Copula函数分析风电功率的相关性

分析风电场之间的出力相关性有助于合理规划风机的功率输送以及调度优化,从而提高传输线路的利用率。以冀北地区风场为例,首先分析了该区域风速的分布特性,然后利用贝叶斯线性回归算法建立混合Copula函数模型,拟合得到4个机群风速序列的联合分布,计算出风电场之间的出力相关性,并与其他相关性函数建模进行对比研究。研究结果表明,基于贝叶斯线性回归的混合Copula函数模型能够提高参数估计的精确性,从而使得计算出的相关性更为准确,并且由其拟合得到的出力概率分布与实际风场出力的概率分布较为一致。     

Bayesian decision-based pattern recognition on spectrum signal of metal transfer modes

A software system of pattern recognition on spectrum signal of metal transfer mode has been developed using Visual Basic under Windows environment. On the basis of the coincidence relation between the spectrum signal and metal transfer mode, according to the geometrical pattern feature of the spectrum signal, several key characteristic parameters are extracted. The correspondent recognition function and a minimum distance classifier have been constructed based on Bayesian decision theory. The results show that using this system, the metal transfer mode of MIG, MAG, CO2 welding can be recognized automatically which provides the basis for automatically controlling of the metal gas arc welding metal transfer.     

基于动态朴素贝叶斯分类器的明渠水华风险评估模型

水华风险不仅是水利工程规划时需要考虑的环境问题,也是水利设施运营时不能忽视的监测项目。为了提高明渠水化风险等级预测的准确率,针对水华成因的不确定性和发展的时序性,基于动态朴素贝叶斯网络分类器提出一种应用于明渠的水华风险评估模型。模型用水华风险等级结点对应藻叶绿素a(Chla)的浓度,并考虑了9项影响水藻生长的因素。采用主成分分析法,处理专家咨询结果,进行参数的设计。在苏州河道北门桥2011年6月初至9月初观测的53例连续监测数据上,与基于朴素贝叶斯网络分类器的评估模型进行比较实验。混淆矩阵显示对中等风险情况的预测识别率提高了15.625%,单尾配对t检验表明在显著性水平0.05时,两模型预测识别率差异显著。考虑了时序特征的基于动态贝叶斯网络分类器的评估模型对明渠中等水化风险的预测识别率提高显著。     

一种混合的领域概念分类体系自动构建算法

领域概念分类体系自动构建在人工智能、自然语言处理和信息检索等领域具有重要作用,但现有研究较多关注通用知识,面向特定领域的研究较少,且存在领域概念间关系抽取准确率以及自动构建算法效率较低等问题。为此,提出一种混合的领域概念分类体系自动构建算法,该算法主要包括领域概念间关系抽取模块和分类体系构建模块。领域概念间关系抽取模块设计考虑中文自身的特点,采取句法树和基于规则相结合的方法,以提高抽取领域概念间关系的查准率和查全率;分类体系构建模块设计采取改进的BRT算法,从而在降低算法复杂度的同时,提高领域分类体系构建的查准率。在通信、金融和计算机领域的实验结果均表明,与BRT算法相比,该算法的构建效果较好,查准率最高可达到89.3%。     

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。     

一种改进的朴素贝叶斯关键词提取算法研究

为了提高关键词提取的准确率,在利用文本中相同词的前后词共现频率识别组合词的基础上,提出一种基于改进词语统计特征的朴素贝叶斯关键词提取算法。该算法选取词语的词长、词性、位置、TF-IDF值作为词语的特征项,改进了统计词长、TF-IDF和词频的方法,使长词和TF-IDF大的词具有更高的概率,而在统计词频时,考虑了词语之间包含与被包含的关系。然后,采用朴素贝叶斯模型对标记好关键词的文本进行训练,获得各个特征项出现的概率,用来提取文本的关键词。实验表明,与传统基于词频和决策树C4.5的关键词提取算法相比,采用该方法提取的关键词具有更高的准确率和可读性。     

样本-属性加权的朴素贝叶斯改进算法

朴素贝叶斯算法是一种简单、高效且有着广泛应用的分类方法,但在现实中,条件独立性假设影响了其分类性能。为克服该问题,给出一种改进算法——样本-属性加权的朴素贝叶斯算法。首先,对属性计算相关系数得到属性权值;其次,利用属性权结合信息熵获得样本熵权,并据此加权样本以提高泛化能力;然后,给出了样本-属性加权的朴素贝叶斯算法;最后,在UCI数据集上的实验结果验证了改进算法比原算法具有更好的分类性能。     

基于贝叶斯网络的移动支付风险评估模型

随着信息技术和网络的迅猛发展,支付业务、技术及工具不断创新,移动支付的发展在逐渐加快。移动支付给人们生活带来方便和快捷的同时,也存在着较高的潜在风险,容易遭受非法入侵和恶意攻击。就移动支付风险的分析及风险值的计算理论方面开展工作,在贝叶斯网络的基础上,针对移动支付的主要组成主体,提出移动支付风险评估模型,通过使用该模型进行移动支付风险评估不仅可以对目前移动支付的风险进行评估,还可以根据风险评估结果引导风险控制,对比风险控制前后的风险值判断风险控制的效果,通过案例分析,提出的移动支付风险评估模型可以很好地完成移动支付的风险评估要求。     

Inductive Model Generation for Text Classification Using a Bipartite Heterogeneous Network

Algorithms for numeric data classification have been applied for text classification. Usually the vector space model is used to represent text collections. The characteristics of this representation such as sparsity and high dimensionality sometimes impair the quality of general-purpose classifiers. Networks can be used to represent text collections, avoiding the high sparsity and allowing to model relationships among different objects that compose a text collection. Such network- based representations can improve the quality of the classification results. One of the simplest ways to represent textual collections by a network is through a bipartite heterogeneous network, which is composed of objects that represent the documents connected to objects that represent the terms. Heterogeneous bipartite networks do not require computation of similarities or relations among the objects and can be used to model any type of text collection. Due to the advantages of representing text collections through bipartite heterogeneous networks, in this article we present a text classifier which builds a classification model using the structure of a bipartite heterogeneous network. Such an algorithm, referred to as IMBHN （Inductive Model Based on Bipartite Heterogeneous Network）, induces a classification model assigning weights to objects that represent the terms for each class of the text collection. An empirical evaluation using a large amount of text collections from different domains shows that the proposed IMBHN algorithm produces significantly better results than k-NN, C4.5, SVM, and Naive Bayes algorithms.     

基于需求更新的救灾品配送公平与效率协调模型

鉴于需求准确度与救灾品配送效率之间的悖反关系,研究了基于需求更新的救灾品配送效率与公平问题.通过对某市民政局进行调研,了解到台风灾害发生时的需求变化规律,设计一种通过已知需求灾区对未知需求灾区的需求进行贝叶斯更新的需求更新方式,由此建立救灾品配送模型.将该模型应用于某台风救灾实例,通过实例分析表明了该模型的求解速率与精度,并找到了最优"决策点",实现了救灾品配送公平与效率的平衡.