结合情感词典的主动贝叶斯文本情感分类方法

提出一种改进的结合情感词典的主动贝叶斯情感分类方法(SLAB).为了证明提出方法的有效性,选用康奈尔影评数据集和互联网电影资料库(IMDB)数据集作为实验数据,并与基于不确定性采样策略的主动学习方法进行比较.结果表明:文中提出的方法在较少的标注训练集下,能够取得更高的分类准确率,一定程度上解决了基于不确定性采样策略的主动学习方法中的误差累积问题.     

基于集成学习的束支传导阻滞识别方法

为提升基于心电图的左、右束支传导阻滞自动化诊断性能,提出了一种以多导联心电图卷积神经网络模型作为基学习器的集成学习诊断方法.首先从临床12导联同步静态心电图中提取出有效诊断导联数据并分割为若干个多导联单心搏数据切片.采用自助采样法抽取多个数据子集,并对每个子集以不同方式进行数据扰动后输入基学习器,得到相应的预测模型.然后以贝叶斯方法作为集成学习的结合策略融合多个模型进行预测.最后采用投票法结合1例心电图中的多个心搏分类结果给出诊断.实验结果表明,该方法具有较高的灵敏度和特异度,具有临床应用价值.     

基于贝叶斯网络的企业社交网络招聘风险评价

伴随着社交网络平台的多样化发展,社交网络招聘已成为企业关注的热点.为了有效降低企业社交网络招聘的风险,采用流程图法,结合文献研究结果和专家意见,全面分析了社交网络招聘中的风险因素,进而建立企业社交网络招聘的风险评价指标体系.基于贝叶斯网络方法提出企业社交网络招聘风险的评价模型,将模型应用于企业社交招聘风险评价的实际算例,计算得出社交网络各招聘阶段风险及招聘总风险,按照风险发生概率的大小进行排序,并提出相应的防范对策及建议,验证了评价方法的有效性.     

基于贝叶斯网络的空调冷水阀故障检测与诊断

针对空调系统运行中所产生的很多不确定性故障问题,建立了贝叶斯网络模型,开发了多故障状态的贝叶斯概率计算模型,利用Leaky Noisy-Max模型进行贝叶斯网络参数学习,提出了基于故障特征准则和阈值判别的故障检测与诊断技术。采用现场实测数据,以冷水阀故障为例,验证了该技术的可行性。结果表明,该技术能够诊断出冷水阀故障,诊断结果能够快速定位故障产生源,从而提高空调运行系统的稳定性。     

基于贝叶斯网络的停车行为分析

建立贝叶斯网络模型进行停车行为分析.应用K2算法和贝叶斯参数估计方法,进行了贝叶斯网络的结构和参数学习,建立了停车行为分析贝叶斯网络,应用联合树推理引擎推断在出行目的、停车费率等因素的影响下停车行为的变化.结果表明,贝叶斯网络能够直观表现决策行为与其影响因素之间的交互作用机理,并方便进行决策行为的敏感性分析,同时模型具有较高的精确度.可以为政府和规划部门深入了解居民的停车选择行为和停车决策机理提供依据.     

评估STAR网络可靠性的新方法

针对具有故障部件的STAR互联网络的可靠性问题,在有条件的容错模型和概率模型的基础上,提出了一种新的评估STAR网络可靠性的方法。该方法通过网络的二连通率来进行评估。首先提出了一个自适应的容错并行路由算法,通过该算法的多次执行,得到用于计算网络二连通率的相关条件参数,在此基础上建立了用于推断网络二连通率的贝叶斯网模型。然后通过基于贝叶斯网的概率推理,可得到反映网络可靠性的网络二连通率。研究结果表明,该方法拓展了人们在网络可靠性评价方面的视野,具有一定的理论和实际意义。     

复杂环境下的无人机任务决策模型

为实现不确定环境下无人机(unmanned aerial vehicle, UAV)自主动态任务决策,提出一种基于变结构离散动态贝叶斯网络(structure-varied discrete dynamic Bayesian network, SVDDBN)的任务决策模型。该模型由威胁等级评估、目标价值评估和态势优势评估三部分组成,在此基础上可完成突变过程建模。根据以上三部分的评估结果,运用变结构离散动态贝叶斯网络推理算法得到当前时刻的任务决策。仿真结果表明,给出的决策模型满足突发威胁下的任务决策需求。     

可执行体系结构的HCPN建模方法

美国国防部体系结构框架（DoDAF）作为一种通用的系统体系结构描述规范,得到业界的广泛认可。但由于其本身描述形式的局限,无法支持对集成系统体系结构动态特性的分析。在建立DoDAF产品描述与层次化着色Petri网（HCPN）不同建模语言间对应关系的基础上,提出了以集成体系结构操作活动模型（OV-5）、操作规则模型（OV-6a）、逻辑数据模型（OV-7）为主体的可执行模型五阶段建模方法。旨在使由DoDAF体系结构产品建立HCPN可执行模型的过程规范化、步骤化,为实现体系结构可执行模型的自动转换提供技术支持。     

基于蚁群优化的贝叶斯网络学习

针对贝叶斯网络学习中的混合算法容易缩小搜索空间,同时易陷入局部最优等缺点,提出了基于蚁群优化的贝叶斯网络学习算法。首先应用最大最小父子节点集合算法(max min parents and children, MMPC)来构建无向网络的框架,然后利用蚁群优化算法进行评分〖CD*2〗搜索,通过平衡“开发”和“探索”力度来修补搜索空间并确定网络结构中边的方向。最后应用本算法学习逻辑报警还原机理网（a logical alarm reduction mechanism, ALARM),结果显示本算法减少了丢失边的数量,得到了更接近真实结构的贝叶斯网络。     

基于全条件独立的贝叶斯网络MPD-JT构造算法

针对求解贝叶斯网络最大主子图存在的NP(non-deterministic polynomialtine)难问题,提出了一种基于全条件独立结构的最大主子图连接树（maximal prime sub graph decomposition junction tree, MPD-JT）构造算法。该算法通过道义图上的全条件独立结构得到贝叶斯网络最大主子图,并利用构成这些最大主子图的节点作为簇节点构造连接树,避免了三角化过程,而且在求解过程中通过删除一些符合条件的点,大大降低了算法复杂度。给出了算法的理论证明,通过具体案例分析验证了算法的有效性。