关联规则的更新

讨论了关联规则的更新问题。对关联规则的增量式更新算法——IUA进行了分析，指出了其存在的问题和出现问题的原因，提出了一种改进的关联规则更新算法-UA。对各种情况下关联规则的更新问题进行了讨论，说明了其均可以转化为数据库不变、支持度改变的情况来讨论。UA算法在充分利用原有信息的基础上，提高了算法的效率。     

模型参数分布未知的贝叶斯预测

本文介绍了线性贝叶斯方法，并将其应用于贝叶斯动态线性模型，得到了模型参数分布未知情况下模型的修正递推及预测算法，从而拓宽了贝叶斯动态线性模型的适用范围。     

双参数情形的经验Bayes估计近似算法

该文给出了双参数情形利用线性经验Ｂａｙｅｓ估计公式估计待估参数的近似算法，并以正态分布为情形给出具体的计算形式．     

增量式模糊控制与模糊系统的稳定性

本文介绍了增量式模糊控制（ＩＦＣ）的原理与设计思想，指出ＩＦＣ是ＦＣ系统实现渐近稳定控制的有效方法。文中运用模糊增量、隶属度增量及模糊目标的可达性概念，给出一种模糊变量的动态描述，并且给出了能与传统李雅普诺夫稳定性定义相一致的ＦＣ系统稳定性的统一定义     

采样间隔非均匀情况下的线性增长模型及其贝叶斯预测

本文直接按采样间隔非均匀的情况研究了一次和二次线性增长模型，并分别就观测误差方差Ｖ＿ｔ＿ｉ已知和未知常数两种情况给出了它们的先验分布、预测分布和后验分布的修正递推算法。     

钢丝绳缺陷定量识别的贝叶斯建模方法

提出了跳变系统检测的贝叶斯建模方法，针对钢丝绳检测信号特征，设计了断丝定量识别的多重假设检测方法，可以在线监测钢丝绳状态。     

一种改进的关联规则增量式更新算法

在支持度和置信度不变的情况下,随机或偶然向数据集添加数据记录会导致关联规则的变化.在FUP算法的基础上给出了一个改进的增量式更新算法,本算法在充分利用先前关联规则的基础上极大的减少了扫描原数据集的次数,与FUP算法相比极大的减少了算法运行时间,并实验验证了算法的优越性.     

基于贝叶斯推理的决策树模型

针对决策树（DT）模型缺乏概率背景这一问题，将贝叶斯推理引入DT模型，提出了一种基于贝叶斯推理的决策树（BDT）模型．在假定所含待定参量的先验与似然的前提下，借助贝叶斯推理获得参量的后验，然后运用逆跳马尔科夫链蒙特卡洛算法对后验抽样，最终求出样本属于某一类别的置信度，从而避免了武断判决．BDT模型以抽样代替拆分与剪枝操作，既直观又灵活，同时在抽样时考虑了不同的树结构与递归分割方案，使得分类准确率得以提高．仿真实验结果表明，BDT模型的平均分类准确率与DT模型相比提高了1．7％～3．5％．     

一种基于粗糙集的朴素贝叶斯分类算法

朴素贝叶斯分类器的计算过程只有在完全数据库中才成立,而基于相似关系的粗糙集模型具有处理空值的功能,并且提供了属性离散化和约简技术,可以改善属性间的依赖关系。因此,将两种不同的软计算方法相结合,利用粗糙集合理论先把决策表补齐,再对数据进行约简,然后结合朴素贝叶斯分类器,得出分类结果。实验证明这种方法不仅简化了数据和模型的规模,也具有对不完全数据的分类能力。     

采用小波域α稳定分布的图像去噪

基于统计模型的图像去噪的关键是统计模型的选取.α稳定分布能很好地表示具有严重拖尾的数据的统计分布.该文采用α稳定分布来对图像小波域系数进行建模,并采用贝叶斯估计来对无噪图像进行估计.通过将该算法与近来的一些方法进行比较,仿真结果表明该算法具有好的去噪效果.