基于最小风险贝叶斯算法的邮件过滤系统设计

大量垃圾邮件的出现给用户收发邮件带来了极大的困扰.在朴素贝叶斯算法的基础上,利用最小风险贝叶斯算法修正过滤器,设计出了一种新的电子邮件过滤系统模型.重点讨论了实现该系统所需处理的几个关键问题,最后给出了实验结果.     

基于统一偏差判别函数的各象限直线的逐点比较插补算法

本文针对数控加工中逐点比较直线插补算法在各个象限中计算公式不统一的问题,提出了一个基于同一个的偏差判别函数的逐点比较算法,给出了其推导过程,及该方法的几何和代数的解释,并且用实例证明了该算法的正确性。     

连续属性朴素贝叶斯分类器的依赖扩展研究

针对朴素贝叶斯分类器不能有效利用属性之间依赖信息的问题,在将连续属性条件互信息计算、条件密度计算与通过建立类约束属性最大权重跨度树的父结点选择相结合的基础上,提出了连续属性朴素贝叶斯分类器选择性树结构依赖扩展方法.通过对比实验和分析,证实了扩展后分类器的分类准确率得到明显的改进.     

基于两步策略的中文短文本分类研究

为更好地挖掘文本信息,研究了将两步策略用于中文短文本分类的3个关键问题,提出了基于组合朴素贝叶斯(NB)和K近邻(KNN)分类器的两步中文短文本分类方法:(1)直接利用NB和KNN的输出构造其对应的二维空间,根据该空间内错误文本的分布将测试文本集分为3部分:能被KNN可靠分类的文本集A,不能被KNN可靠分类但能被NB可靠分类的文本集B,其他文本集C.(2)用KNN、NB分别对文本集A和B进行分类,根据训练语料的类别分布,直接给属于文本集C的文本分配标签.与NB、KNN和支持向量机(SVM)的对比实验表明,该方法可获得较高的分类性能.     

产品验收中的不完全信息静态博弈

为了在产品验收的抽样检验中，减少生产方风险和使用方风险，在传统的质量抽样检验中，针对抽样的随机误差展开研究，对于生产方和使用方的相互影响未能予以充分考虑。对此，在信息不完全的条件下，以生产方和使用方风险支付最优化为目标，研究双方策略的选择过程。对上述问题的具体背景，运用不完全信息静态博弈模型进行分析，给出贝叶斯均衡，并以算例说明贝叶斯均衡的具体确定过程，得出相关结论。     

基于树扩展朴素贝叶斯的高效网络入侵检测系统

提出了一种基于树扩展朴素贝叶斯(tree augmented naive Bayes,TANB)的入侵检测方法.该方法基于传统的朴素贝叶斯(naive Bayes,NB)和贝叶斯网络(Bayes network,BN)方法,结合了前者计算简单和后者能表示属性间相关性的优点.同时我们提出使用增益比率进行网络特征选择来进一步提高检测性能.通过对DARPA数据的入侵检测实验,与传统方法做了比较,其结果表明,我们提出的入侵检测方法效果很好,对各种入侵类型的检测率都很高.     

基于支持向量机与朴素贝叶斯的犯罪度理论研究

为使安防系统具有犯罪预警的功能,以达到真正意义的智能化,提出网络言论犯罪度概念.该概念指某个体通过社交网络言论表现出的犯罪可能性.通过对犯罪心理与言论特征之间关系的研究,提出了一种基于朴素贝叶斯与SVM(Support Vector Machine)的网络言论犯罪度理论.该理论运用朴素贝叶斯和SVM等机器学习方法,结合犯罪心理学,建立了网络言论犯罪度理论框架与数学模型.实验表明,基于该理论的预警系统具有较好的犯罪预警能力.     

具有部分缺失数据的两个二项分布的估计

讨论了部分缺失数据下两个二项分布成功概率的Bayes估计以及总体参数的估计,证明了总体参数估计量的强相合性与渐近正态性.     

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.     

实用高效的垃圾邮件过滤算法

为了提高电子邮件中垃圾邮件的过滤准确率和效率,以朴素贝叶斯算法和K最近邻(KNN：K-Nearest Neighbors)算法为基础,对传统垃圾邮件过滤算法进行改进,给出邮件的合法属性和非法属性的概念,并提出一种新的分类算法--基于邮件合法属性和非法属性的分类算法（SEASF：Simple and Efficient Algorithm to Spam Filter based on legitimate attribute and nonlicet attribute)。SEASF计算复杂度较低,可适用于大规模场合及邮件的在线过滤。将SEASF算法应用于垃圾邮件过滤的结果表明,该算法可大幅度提高分类精度,分类速度也令人满意。