Rough Sets and Nuclear Safety

It is well-known that rough set theory can be applied successfully to rough classification and knowledge discovery. Our work is concerned with finding methods for using rough sets to identify classes in datasets, finding dependencies in relations and discovering rules which are hidden in databases by means of decision tables and algorithm D. We use these methods to analyze and control aspects of nuclear energy generation.     

连续值域决策表的属性约简算法

结合模糊聚类技术与粗糙集理论，首先给出了一种求连续属性重要性的方法，然后由粗糙集中属性约简思想，给出连续值域决策表的属性约简算法，最后通过实例说明该算法的有效性。     

基于可分辨矩阵的属性集依赖度计算方法

在决策表中,为了评价某条件属性的重要性,不但要考虑这个属性(单一属性)相对于决策属性的重要性,还要考虑该条件属性与其他条件属性构成的属性集的重要性.在属性集依赖度比单一属性依赖度更加可信的事实基础上,提出了一个基于可分辨矩阵的属性集依赖度计算方法.该方法能够较快地获得可分辨矩阵,并直接求出属性集的依赖度,从而大大降低了算法的时间复杂度.实例验证了该方法具有较好的有效性和较低的时间复杂度.     

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。     

可信程度中的贝叶斯公式

本文首先介绍了贝叶斯公式，接着用贝叶斯公式分析了这样一个实际问题：若某人向银行贷款，连续两次未按时还款，银行还会第三次贷款给他吗？     

基于可靠度理论的嵌岩桩自平衡转化系数研究

嵌岩桩作为桩基础的重要分支，在基础工程领域已得到广泛使用，其竖向承载力通常认为由桩侧摩阻力和桩端阻力两部分组成。统计了5个实际工程中合计62组分别采用传统静载法和自平衡法的嵌岩桩竖向极限承载力对比测试数据。对测试数据进行了归一化处理之后，采用贝叶斯优化计算了服从对数正态分布的模型因子统计参数。挑选了合适的可靠度指标求解方法计算了不同自平衡转换系数对应的嵌岩桩竖向承载力的可靠度指标，分别探讨了活载效应与恒载效应比值、安全系数以及荷载效应统计参数等因素对可靠度指标的影响。结合各行业规范并考虑最不利原理确定了嵌岩桩竖向承载力合适的目标可靠度，给出了该目标可靠度对应的自平衡转换系数推荐值。     

贝叶斯网络推理的一种高精度仿真算法

简要分析了贝叶斯网络推理算法的现状,提出了基于马氏链随机拟蒙特卡罗算法(MCRQMC)的推理方法.在给出高精度推理结果的同时,该推理算法亦能给出推理结果的标准偏差.从理论上对MCRQMC算法与现有的算法进行了比较分析,并采用随机Halton序列、Sobol序列和普通随机序列进行了推理实验.结果表明MCRQMC算法在同样样本数量的情况下,推理精度显著优于现有算法.     

基于改进朴素贝叶斯算法的文本分类研究

朴素贝叶斯算法在给定输出类别的情况下，需假设属性之间相互独立，然而现实中这个假设一般不成立，导致在属性个数较多或者属性之间相关性较大时，分类效果不是很理想。为了解决这个问题，本文采用优化的模糊C均值聚类及权重计算方法改进朴素贝叶斯算法。首先，基于JS散度构造类别个数的自适应函数优化模糊聚类算法，利用优化后的算法将文本分类整理。然后，采用词频因子优化的TF-IDF算法计算分类后各样本的特征权重，结合样本权重与贝叶斯公式，进行分类计算。最后，为了体现改进的朴素贝叶斯算法的有效性和优越性，将其与原始朴素贝叶斯算法以及其他改进算法进行对比实验。实验结果表明，改进后的算法有效地降低了朴素贝叶斯模型对特征项独立性的要求，提高了分类决策的准确率，且在分类性能和效率上具有一定的优越性。     

基于主观贝叶斯多传感器数据融合的AGV精确定位研究

针对室内自动导引运输车（Automated Guided Vehicle,AGV）定位偏差大、精度不足的问题，提出了一种基于主观贝叶斯网络的传感器数据融合定位方法.该方法首先结合卡尔曼滤波模型，对不同传感器的数据进行滤波处理，并通过主观贝叶斯网络模型计算信息增益大小，从而自主地选择传感器数据；再将选择的传感器数据进行融合；最后根据融合后的传感器信息进行AGV位置状态更新，获得更精确的AGV位姿信息.仿真实验结果表明，在室内实验环境中，主观贝叶斯网络融合算法能够实现多传感器的数据互补.与RUKF算法相比，该方法的均方根误差缩小到了0.17 m，定位精度提高了43.6%，定位时间缩短了0.071 s，效率提高了4.5%，数据稳定性提高了47.8%，其定位偏差明显小于单传感器的定位偏差，证明了该方法的有效性.     

贝叶斯公式在统计决策中的应用

本文讨论了贝叶斯公式在统计决策中的应用，给出了一种综合考察先天信息和后天信息，从而作出最优决策的方法。