基于Foley-Sammon变换的朴素贝叶斯分类器

朴素贝叶斯分类器在机器学习领域中一种重要的分类算法,但是该算法的前提是:要求数据集在给出分类属性的情况下,其他属性之间是独立的。根据这个前提,利用Foley-Sammon变换算法进行特征提取,提出了一种基于Foley-Sammon变换的朴素贝叶斯分类器NBFST(Naive Bayesian classifier with Foley-Sammon Transform)。实验表明,NBFST能够在大多数数据集上具有较高的分类准确率。     

基于Q型聚类分析和贝叶斯判别算法研究储层分类评价

储层分类评价是油藏研究的重要内容,为了使储层分类更准确、合理,本文采用Q型聚类分析和贝叶斯判别算法相结合的方法,进行储层分类评价研究.综合优选砂岩厚度、孔隙度、渗透率、碳酸盐含量及泥质含量等各种储层参数.应用数理统计方法将这些参数集合起来,采用Q型聚类分析的算法对储层进行分类;在此基础上,采用贝叶斯判别算法,建立这些储层参数与储层分类评价的定量判别关系,即建立进行储层分类评价的判别函数,依据此判别函数对非取心井的目的层进行了定量分类评价.实例证明,应用Q型聚类分析和贝叶斯判别算法相结合进行储层分类评价是有效的,其应用效果良好.     

一种改进的贝叶斯网络知识合成算法

为了解决贝叶斯网络知识合成中的不一致问题,对现有的算法进行了改进.改进后的算法在现有方法的基础上,引入了约束集不一致时的知识合成算法,在知识合成迭代过程中,通过对联合概率分布和概率知识的双向修正,在每一步迭代过程中降低了不一致度,从而实现了贝叶斯网络知识合成时对不一致概率知识的处理.实验结果表明,改进后的算法不仅能够处理概率知识之间相互不一致问题,而且能够处理概率知识与网络结构不一致问题.     

采用动态故障树分析诊断系统故障的信息融合法

为提高系统故障诊断效率,提出了一种利用动态故障树分析诊断系统故障的信息融合方法,该方法充分发挥动态故障树建模和贝叶斯网络推理各自优势,通过集成系统结构信息和传感器信息来诊断系统故障.采用高效的零压缩二元决策图生成系统所有最小割集,并采用贝叶斯网络方法计算部件和最小割集的诊断重要度;根据传感器证据信息对系统特征函数化简,同时对部件和证据条件下割集的诊断重要度进行更新;综合考虑部件和割集诊断重要度设计了系统诊断决策算法,生成诊断决策树以指导维修人员恢复系统故障;最后通过实例验证了该故障诊断方法的有效性.     

基于两步策略的文本分类方法实验研究

已知朴素贝叶斯分类器使用两步策略的分类方法提高了两类中文文本分类的效率,本文在此基础上,研究3个问题:①可以使用两步策略分类方法的分类器须满足的条件;②3种理论上可用两步策略进行文本分类的分类器;③实验比较Rocchio、朴素贝叶斯、KNN 3种分类器两两组合后应用于多类英语文本分类的效果.实验结果表明:Rocchio...     

基于多输入多输出-正交频分复用系统的动态马尔可夫链蒙特卡罗检测算法

在多输入多输出-正交频分复用系统中,基于马尔可夫链蒙特卡罗方法的贝叶斯多用户检测算法可以有效地抑制多径衰落、载波频偏以及相位噪声干扰,但因收敛速度较慢导致实时性较差.针对这一问题,提出一种动态马尔可夫链蒙特卡罗检测算法.该算法利用系统状态样本间的相关性和所设定的收敛阈值门限,实现动态选取系统状态采样值的迭代收敛区间,以求在确保算法检测性能的同时,进一步提高检测估计运算的实时性.仿真结果表明,该算法具有收敛速度快、误码率低等优点.     

基于bootstrap思想的贝叶斯估计

在样本量较小的情况下,可以采用重抽样方法一bootstrap方法进行参数估计,本文将bayes方法与bootstrap方法相结合,进行基于bootstrap思想的bayes估计。主要列出的是当样本服从正态分布的基于bootstrap思想的bayes估计。     

基于“态度”的知识追踪模型及集成技术

知识追踪模型(knowledge tracing model)被广泛地应用在教育系统(intelligent tutoring system)中以预测学生做题的表现.当学生做题时,教育系统采用该模型持续对学生的知识掌握情况作出评估并根据对每个学生的评估给出针对性的题目.通过对该模型预测精度的研究,提出了改进的知识追踪模型,并采用在线教育系统的数据集对两个模型的预测精度进行了对比.最后采用集成技术(ensemble)综合了所有模型,提高了预测精度.     

贝叶斯压缩感知稀疏信号重构方法研究

讨论了贝叶斯框架下压缩感知稀疏信号重构的方法,描述了基于非参数方法构建压缩感知字典的过程.实验结果表明:基于贝叶斯方法的压缩感知算法能够对单元脉冲信号进行较好重构,且与其他算法相比具有更小的重构误差.最后对贝叶斯压缩感知的发展进行展望.     

贝叶斯分类器的集成学习方法及其在图像标注中的应用

针对贝叶斯(Naive Bayes,NB)分类器的集成学习方法,研究如何提高分类器集成中各成员分类器之间的多样性,同时提高分类器系统准确率。实现方法是把训练集的所有属性特征划分特征子集,并处理所划分的属性特征子集,最后为每个成员分类器构造出不同的完整特征属性训练集。研究结果表明采用的NB集成方法(Ensemble ofNaive Bayes,ENB)提高了分类性能,把ENB机器学习方法应用到自动图像标注中也获得了很好的效果。