基于粗糙集理论的数据预处理

探讨数据挖掘过程中,数据预处理应用粗糙集理论进行属性和属性值约简的方法以及用计算机实现约简的算法.通过对医疗数据的预处理表明,利用粗糙集理论来进行数据预处理是一种十分有效的精简、求最小决策算法的有效方法.     

用于粗糙集约简的并行算法

通过对数据挖掘粗糙集约简算法的研究, 提出一种基于区分能力指数的信息系统数据划分思想. 先将系统按属性区分能力分成若干子表, 再由子表的约简求原系统的约简, 这种思想较好地简化了布尔函数的化简过程. 根据该思想设计了一个属性约简并行算法, 并利用Petri网模拟工具CPN Tools对算法的负载平衡进行了分析, 通过实验与相应的串行算法在时间上进行了对比, 实验结果显示, 该算法对于对象较多的大规模系统具有较高的效率.     

动态贝叶斯网精确推理中联合树算法的改进

基于动态贝叶斯网络处理动态不确定性问题的过程中推理是非常重要的,而推理算法的优劣决定推理的执行效率;文章在分析联合树性质的基础上提出一种较简单的3/2片联合树算法,该算法不需要限制消去顺序且只作一次扩展;讨论了算法的复杂度,并作了试验比较。     

一种解决混联系统组合爆炸问题的贝叶斯网络

针对传统三层节点贝叶斯网络(Bayesian network,BN)在系统可靠性分析中的组合爆炸问题,提出了一种适用于复杂混联系统的级联BN建模方法.首先,在引入s类(f类)节点基础上建立了描述并联(串联)逻辑的信息通路模型,进而通过为通路模型各节点赋予同逻辑的条件概率参数,提出了构建并联(串联)系统等价级联BN的方法;其次,结合"超级方框"的概念分析了将典型串并联、并串联系统转化为等价级联BN的方法,并基于系统可靠性框图(RBD)相关矩阵,设计了将复杂混联系统转化为等价级联BN的算法-Generate-Chain-BN;最后,分别建立了某混联系统RBD的等价三层节点BN和级联BN模型,对两种BN进行了对比计算.理论和实例分析均表明,本文建立的级联BN可将原三层节点BN的空间和时间复杂性由指数级降到线性级,解决了三层节点BN固有的组合爆炸问题,可成为复杂混联系统可靠性分析的有效手段.     

融合多源先验信息的舰船备件可靠性评估

舰船工作环境常导致备件的实际可靠性规律与设计参数不一致。在实际使用消耗量较小的条件下,全面分析备件可靠性信息来源,通过定义似然权重系数,融合多源先验信息,建立指数型备件可靠性的贝叶斯评估方法。最后,通过仿真分析验证方法的合理性。结果表明,所提出的基于似然权重的先验信息融合方法可以较好地融合不同信息源的可靠性信息,估计方法具有较好的稳定性。     

一种改进的朴素贝叶斯文本分类方法

朴素贝叶斯分类器是一种简单有效的文本分类方法.改进方法利用同义词对文本的特征词集进行过滤,在一定程度上放松了朴素贝叶斯的特征独立性假设;在特征选择时迭代了2种不同的特征选择方法,有效地提高了特征集的代表性.实验结果表明,本方法有效地提高了朴素贝叶斯分类器的性能.     

基于贝叶斯学习的关联向量机及其在软测量中的应用

介绍了一种与支持向量机(SVM)函数形式相同的稀疏概率模型--关联向量机(RVM),其训练是在贝叶斯框架下进行的,在处理具有噪声的函数回归时,RVM具有很出色的性能.与SVM相比不仅解更稀疏,而且无需调整模型参数,核函数选择也不受限制.将RVM应用于PTA装置溶剂脱水塔塔顶塔底组分软测量建模,仿真结果表明:该方法预测精度较高,具有一定的应用价值.     

基于深度贝叶斯网络学习的不确定性建模方法

战场态势评估涉及很多不确定因素,对不确定性进行仿真建模能够提高态势评估的能力。针对参战对象多元、不确定性增多导致的无法全面准确表达不确定性问题,提出了基于记忆模块和变分自编码器的深度贝叶斯网络模型。采用生成模型设计了基于深度贝叶斯网络学习的态势评估模型;阐述了融合记忆模块的深度生成模型原理和模型的学习与推理过程;以某空袭行动为例构建贝叶斯网络,对所提方法进行了验证。结果表明:深度神经网络能够逼近隐变量的非线性变换,设计的记忆模块能存储深度神经网络提取的大量局部特征,通过学习自动得到了贝叶斯网络条件概率,增强了不确定性建模能力。     

基于模糊粗糙集的层次分类增量特征选择

随着大数据时代的到来,数据的类标签数量急剧增加,对现有的分类任务带来了严峻的挑战。为了解决这个问题,人们通常将标签组织成层次结构,使用结构中所包含的信息来对任务进行学习。考虑样本的不断增加,使用模糊粗糙集信息熵设计了一种面向层次分类的增量特征选择算法。考虑兄弟策略,将现有的λ条件熵推广到了层次分类的情形,设计了一种非增量的层次分类特征选择算法,设计了λ增量条件熵,基于此设计了增量版本的特征选择算法。在实验中,采用了包括非增量版本在内的7种不同的特征选择算法在5个层次数据集上与增量算法进行比较,实验结果验证了2种算法的有效性,并且所设计的增量算法能在不影响性能的情况下加快特征选择的进程。     

基于贝叶斯公式的信息反馈机制

提出了一种基于贝叶斯公式的信息反馈模型BIF.当系统拒绝用户对资源的访问时,BIF通过计算在当前的条件下改变某些访问条件的可能性,把用户的访问条件的替代方案限制到一个小而有用的集合,系统将具有最大可能性的选项反馈给用户.用户根据系统的反馈改变访问条件从而成功访问资源.BIF引入附加策略来保护敏感策略,在此过程中不会泄漏任何危及到系统安全和机密性的信息.实验证明,BIF模型在保护了系统敏感信息的同时,也提高了系统的可用性及访问成功的几率.