信度网分类器

分类问题是人工智能中机器学习研究的一个重要问题,它在模式识别、故障诊断以及数据挖掘等领域有着广泛的应用。利用信度网可以构造出分类性能更好的分类器。文章着重探讨了Naive Bayes分类器,增强的Naive Bayes分类器和通用信度网分类器的构造方法,并分析比较了这三类分类器的优缺点。     

基于互信息和测度学习信度网结构

交叉熵是对一个分布与其近似分布的接近程度的度量。在许多关于信度网结构的学习文献中,都将交叉熵作为检验算法学习效果的一个指标。笔者直接从交叉熵最优这一指标出发,在分析已有测度的基础上,提出了一个新的测度－互信息和测度,并证明了该测度的可分解性质。最后,给出了利用互信息和测度进行信度网结构学习的两种启发式搜索算法。     

保持B超图像灰度级的改进直方图均衡化算法

介绍B超图像以及对其进行图像增强的原因。对直方图均衡化、对数直方图均衡化和排序直方图均衡化原理作介绍,从理论上分析这3种算法吞噬灰度值的原因。提出一种保留灰度级不变的改进直方图均衡化算法。使用直方图均衡化、对数直方图均衡化、排序直方图均衡化和该文提出的改进算法对B超体模图进行图像增强实验,结果表明该文提出的改进算法在B超图像上的增强效果比直方图均衡化、对数直方图均衡化和排序直方图均衡化算法要好。     

马尔可夫逻辑网在信息抽取中的应用

提出了一个基于马尔可夫逻辑网的信息抽取方法,将所有记录的分割和记录去重在一个单独的整合推理过程中进行.由于采用马尔可夫逻辑和现有的推理算法,其主要工作是编写合适的逻辑公式,工程量比其他传统方法少得多.实验基于CiteSeer 和Cora这两个引文匹配数据集,其结果要明显优于之前的其他方法,同时也证明了马尔可夫逻辑网模型的精确性.