产生式与判别式分类方法比较研究

分类是数据挖掘领域研究的热点,产生式与判别式是数据挖掘中两种不同的分类模型。产生式模型具有通用性、灵活性及清晰的分层结构,学习得到的模型很容易满足模型解释要求;判别式模型没有明显的对系统中变量的基本分布建模的企图,仅仅对输入到输出之间映射的最优化感兴趣,可以提供更好的分类性能。从准确率、建模时间及渐进误差等方面对产生式与判别式分类方法进行了分析与比较,为研究人员在分类模型的选择上提供了参考。     

基于水平集方法的肿瘤图像识别

图像处理在计算机辅助医疗诊断系统中有着广泛的应用,本文在水平集方法的基础上,提出了一种肿瘤图像识别方法。首先,采用改进的水平集方法对肿瘤图像进行分割,获得肿瘤轮廓特征;其次,提取肿瘤的轮廓特征参数,对贝叶斯分类器进行训练,然后用训练的分类集进行肿瘤良恶性分类识别。通过对CT图像的肝脏肿瘤进行良恶性诊断,显示所开发的计算机辅助诊断系统是有效的。     

导弹子母弹抛撒的均匀性指标的确定及评定方法

本文以导弹侵彻子母弹抛撒为背景，提出了一种适合于有限子弹抛撒的均匀性指标，并且运用现代统计方法——ＢａｙｅｓＢｏｏｔｓｔｒａｐ法模拟了均匀性指标统计量的分布；另外，从火力运用的观点出发，根据子母弹抛撒的均匀性指标的大小对战斗部毁伤效率的影响，确定了均匀性指标的容许下限；应用统计检验方法给出了子母弹抛撒的均匀性的评定方法，为导弹侵彻子母弹抛撒的鉴定及同类武器该项目的鉴定提供可信且便于操作的方法。     

基于最小错误率与最小风险的贝叶斯分类比较与研究

在智能决策领域,针对分类决策一直是热点问题,本文通过分析贝叶斯的基本理论和内涵,分析出在分类决策中可以有基于最小错误和最小风险两种决策方式,对两种方式进行比较,从中发现两种方式的本质区别和内在联系,把两种决策模式进行融合,形成更科学的贝叶斯决策方式。     

WSN中基于分布式机器学习的异常检测仿真研究

安全问题是无线传感器网络应用的关键问题之一。设计了一种基于分布式机器学习的异常检测方案。该方案利用K最近邻算法对传感器网络节点进行分簇,时簇内节点的异常检测采用贝叶斯分类算法,对簇头节点的异常检测采用基于平均概率的方法。利用网络仿真工具NS2构建了入侵检测规则、模拟了网络攻击场景,在此基础上,通过仿真评估了方案的检测率、平均检测率、误检率和平均误检率等性能。仿真实验结果表明,该方案与当前典型的无线传感器网络入侵检测方案相比具有较高的检测率和较低的误检率。     

基于贝叶斯网络的供应扰动风险态势分析

运用贝叶斯网络对供应链中供应扰动风险的相关因素进行量化分析,得出了在供应扰动情况下以最短时间恢复正常生产是减少损失的最有效措施,而追加生产量不会大幅度降低损失.最后选择一个典型供应扰动案例,对基于贝叶斯网络的供应扰动风险态势进行算例分析,证明了模型的可行性和结论的合理性.     

云南高原湖泊群的统计学聚类识别 及水质响应模式研究

为探究湖泊群水质变量的响应模式,构建适用于监测数据匮乏的湖泊群聚类和响应模式识别方法体系(PCA-BN),包括4个步骤:数据预处理、PCA降维与湖泊聚类、贝叶斯网络构建及参数学习、湖泊响应关系模拟。以云南高原湖泊群为例开展研究,结果表明:所研究的26个湖泊可分为两类;由于第一类湖泊受到的人为干扰更严重,因而叶绿素a对总氮和总磷的响应比第二类湖泊更敏感;第一类湖泊表层水温高,溶解氧趋近饱和,随叶绿素a变化不显著,第二类湖泊溶解氧随叶绿素a升高而显著升高;两类湖泊的透明度与叶绿素a的关系一致。     

一种基于贝叶斯的渐进式图像匹配框架研究

提出了一种新的渐进式图像匹配框架,将图像匹配与图像概率更新结合在一起解决这一问题.该框架在当前匹配结果上,利用贝叶斯方法对最可信目标图像进行高效的重新估算,并且可保证提高后续的图像匹配效果.实验结果表明,与一次性图像匹配方法相比,所提方法的匹配性能更优.此外,即使是对外观发生变化及包含远离主体对象的图像场合,所提方法性能仍然健壮.     

基于项目反应理论的贝叶斯统计推断方法在教育中的应用

与经典教育测量方法相比,基于项目反应理论的教育统计与心理测量技术呈现出愈来愈多的优势。目前,项目反应理论核心框架主要基于频率统计方法。然而,贝叶斯统计方法已逐渐显示出巨大的潜力和吸引力,尤其适用于对统计建模的深层改进。鉴于项目反应理论模型的复杂性和应用广泛性,国外已经成功开发了一些常用的软件包。然而这些软件包本身也存在一些缺陷和问题。因此,在取得的理论研究成果(构建新的模型、提出新的估计技巧)的基础上,亟待配套研发一套拥有知识产权的软件平台,并应用于教育部基础教育质量监测中心中小学教育质量(数学)的纵向跟踪调查数据,为相关职能部门决策提供科学依据。     

从“附注”管窥贝叶斯推理

资料显示,来自Fisher的批评以及诸如皮尔森、杰弗里斯等的论证已经曲解了作为非充分性理由要求的贝叶斯论证。重新审视托马斯·贝叶斯的著名附注(注释)中他为未知概率的先验均匀分布给出的辩护理由,发现被指控的原理性缺陷,在原贝叶斯文献中是不存在的。研究认为,真正的"贝叶斯推理"与早期的批评者和评论者对之的转述相比较差异很大,在逻辑上更接近于现代意义上对该概念的理解。