基于Bootstrap Averaging的贝叶斯分类算法

针对单词簇上训练朴素贝叶斯文本分类器概率估计偏差较大所导致的分类精度较低问题.在使用概率分布聚类算法得到的单词簇的基础上,根据单词与簇间互信息建立有序单词子序列,采用有放回随机抽样对单词序列构造规模相当的样本集并将估计出的参数的平均值作为训练得到的最终参数对未知文本进行分类.公共文本实验数据集上的实验结果表明,提出的训练方法相对于传统的朴素贝叶斯分类器训练方法能够获得更高的分类精度且过程相对简单.     

互联网五种典型应用的平均包长概率分布研究

作为流量识别的一个重要手段,深度流检测使用的统计特征中屡屡包含包长信息。从互联网五种典型应用的平均包长入手,利用滑动窗口模型探索五种应用在平均包长概率分布上的差异。对FTP、Foxmail、WWW、迅雷、Emule五种应用的实验表明:设置相同的滑动窗口,五种应用平均包长的均值有明显区别;设置不断增大的滑动窗口,五种应用平均包长的均值稳定,标准差逐渐减小。仅用包长信息可识别该五种应用。     

改进的模糊交叉算子及其在CGA中的应用

基于标准化适应值信息,提出改进的模糊交叉算子,并应用到细胞状遗传算法(CGA)中。在具有局部搜索倾向的交叉操作中,该算子能使后代更偏向于适应值高的父体。在具有全局搜索倾向的交叉操作中,能使较差个体在更大范围内进行搜索,有效地引导CGA算法向全局最优解的方向收敛。仿真实验结果表明,基于改进模糊交叉算子的CGA算法性能更好。     

修正的n值G(o)del逻辑系统的随机化

利用赋值集的随机化方法,在修正的n值G(o)del逻辑系统中提出了公式的随机真度和随机距离的概念,建立了随机度量空间.指出当取均匀概率时,随机真度就转化为计量逻辑学中的真度,建立了更一般的随机逻辑度量空间.     

用于鲁棒性建模的概率权重极限学习机

极限学习机(ELM)在机器学习领域获得了很多的关注,并在应用方面取得了极大的成功。然而,极限学习机对训练数据中的异常值点和非高斯噪声非常敏感,从而大大阻碍了ELM的应用。概率权重ELM方法主要对含有异常值和非高斯噪声数据集进行建模,首先建立概率局部ELM模型,并在此基础上利用Parzen窗方法建立局部模型的概率分布,然后将概率分布作为权重来融合所有的局部模型以建立全局鲁棒性模型。该方法成功地应用了数学例子和UCI实例,并与传统ELM、正则化ELM和鲁棒ELM进行了比较分析,结果表明概率权重ELM表现出了较好的建模性能。     

海上风机单桩基础疲劳损伤计算方法

为提高海上风机基础疲劳损伤计算的准确性,评价不同计算方法的适用性和影响,以海上风机单桩基础为例进行疲劳评价,建立全时域的动力分析模型和基于功率谱密度函数的频域疲劳损伤计算流程,研究气动阻尼比取值、风与波浪联合作用、应力幅概率分布模型对基础疲劳损伤的影响. 结果表明：基础疲劳损伤受气动阻尼比影响突出,风致疲劳损伤对气动阻尼比的敏感性大于浪致疲劳损伤;由于风与波浪联合作用对基础的疲劳损伤有较大影响,简单叠加风致疲劳损伤和浪致疲劳损伤得到的结果较风与波浪联合作用时偏小;确定合适的应力幅概率分布模型十分必要,频域法中采用Dirlik模型得到的风致疲劳损伤和采用快速傅里叶逆变换（IFFT）的浪致疲劳损伤分别与时域法的结果相近,但叠加的总疲劳损伤小于风与波浪联合作用时的总疲劳损伤.     

信度网推理——方法及问题（下）

3.2 团树传播方法信度网推理的第二类算法为基于团树传播的方法。该方法采用了另一种图形表达方式来表达联合概率分布,即采用了另一种对联合概率分布进行参数化的方法。该方法所对应的图形结构是一棵无向树——团树。该树必须满足如下特征: 每一个节点为一个团,每一个团里面将包含一定量的随机变量;     

变分布的量子行为粒子群优化算法求解工程约束优化问题

针对工程形状设计领域中带有多个约束条件的非线性设计优化问题,提出了一种自适应的基于高斯分布的量子行为粒子群优化(AG-QPSO)算法。通过自适应地调整高斯分布,AG-QPSO算法能够在搜索的初始阶段有很强的全局搜索能力,随着搜索过程的进行,算法的局部搜索能力逐渐增强,从而满足了算法在搜索过程不同阶段的需要。为了验证算法的有效性,在压力容器和张弦设计问题这两个工程约束优化问题上进行50轮独立实验。实验结果表明,在满足所有约束条件的情况下,AG-QPSO算法在压力容器设计问题上取得了5890.9315的平均解和5885.3328的最优解,在张弦设计问题上取得了0.01096的平均解和0.01096的最优解,远优于标准粒子群优化(PSO)算法、具有量子行为的粒子群优化(QPSO)算法和高斯量子行为粒子群(G-QPSO)算法等现有的算法的结果,同时AG-QPSO算法取得的结果的方差较小,说明该算法具有很好的鲁棒性。     

小样本岩土参数概率分布的正交多项式推断方法

实际工程中的岩土参数往往是小样本情况,利用经典概率分布（如正态分布、对数正态分布、贝塔分布、威布尔分布等）推断其最优概率类型时,存在样本分布区间不匹配、限定范围选择和单峰值概率分布函数无法反映参数随机波动性等三个未解决的基本问题。为此,选取了五种不同取值区间,利用10组小样本岩土参数的实测样本,以勒让德多项式和第二类切比雪夫多项式对岩土参数的概率分布函数进行推断,利用K-S检验法对所得的概率分布函数进行检验。通过区间取值匹配、拟合检验值和累积概率值的比较,提出了以3σ原则为基础,同时考虑偏度进行调整的积分区间确定标准。研究结果表明：以有限比较法原理确定最优概率分布的阶数,所得最优概率分布能够反映小样本数据的随机波动;而且正交多项式推断方法所得概率分布函数的检验值均小于传统分布的检验值,说明所得分布更加符合岩土参数的实际情况。     

基于概率分布的多峰演化算法

演化算法通过模拟自然界生物迭代演化的智能现象来求解优化问题,因其不依赖于待解问题具体数学模型特性的优势,已成为求解复杂优化问题的重要方法.分布估计算法是一类新兴的演化算法,它通过估计种群中优势个体的分布状况建立概率模型并采样得到子代,具有良好的搜索多样性,且能通用于连续和离散空间的优化问题.为进一步推动基于概率分布思想的演化算法发展,概述了多峰优化演化算法的研究现状,并总结出2个基于概率分布的演化算法框架：面向多解优化的概率分布演化算法框架和基于概率分布的集合型离散演化算法框架.前者针对现有的演化算法在求解多峰多解的优化难题时缺乏足够的搜索多样性的缺点,将广义上基于概率分布的演化策略与小生境技术相结合,突破多解优化的搜索多样性瓶颈;后者围绕粒子群优化等部分演化算法在传统上局限于连续实数向量空间的不足,引入概率分布估计的思想,在离散的集合空间重定义了算法的演化操作,从而提高了算法的可用性.