网络信息审计系统中的实时网页分类方法

为了实现网络信息审计系统中的实时网页分类，提出了一种基于Dempster-Shafer证据理论的分类新方法．其基本思路是：不进行IP分片包重组，直接将网页地址特征和分片数据包作为分类的证据，计算各个证据对类的支持度，然后利用Dempster证据组合规则将各种证据提供的信息进行不断地在线融合判决，并最终给出网页的分类结果．当已有证据可以对网页进行有效分类时，对后续数据包不再做进一步处理．实验结果表明，所提方法的查准率大于83％，查全率大于90%，在分类性能和运行时间上均优于已有的基于分片的模糊K最近邻分类算法．     

D-S证据理论中冲突问题的解决方法

针对传统D-S证据理论中冲突证据合成存在的问题,提出一种基于数学模型修正证据源的冲突证据合成方法.在不改变Dempster组合规则的前提下,逐一比较识别元素的基本概率分配值和平均基本概率分配值,结合数学模型修正基本概率分配.仿真结果表明,该方法在处理冲突证据合成时有效、可行.     

基于证据理论的IT项目风险因素评估方法

IT项目因其复杂性、不确定性等特点,难以准确度量风险因素的风险等级。为了更好地评估IT项目风险因素的风险等级,本文引入证据理论来处理风险因素的不确定性,融合专家的评判来减少风险因素度量的复杂性,评估出风险因素的等级。在资源有限的情况下,采取相应措施来规避风险或减少风险因素的影响。     

基于贝叶斯证据框架下 SVM 的油层识别模型研究

支持向量机(support vector machine,SVM)方法在石油测井领域的油层识别中取得了很好的应用效果,但SVM方法的识别效果受到惩罚参数和核参数的影响,不同的参数组合直接影响识别精度的优劣.为了在油层识别中获得更好的识别效果,提出一种基于贝叶斯证据框架下SVM的油层识别模型,即根据测井数据的训练样本信息,采用贝叶斯证据框架的理论求解惩罚参数以及核参数,再通过所求得的决策函数对测井数据的测试样本进行识别.实际测井数据实验表明,基于贝叶斯证据框架下SVM的油层识别模型的油层识别效果得到提高,优于传统SVM方法和基于粒子群优化算法(particle swarm optimization,PSO)的SVM方法.     

基于多传感器信息融合技术

笔者根据多年的跟踪研究，将多传感器信息融合作为一种信息处理技术来理解，阐述了信息融合的概念，融合的方式、方法，重点介绍了D-S证据理论和Bayes方法，并总结了信息融合存在的问题以及信息融合技术的研究发展方向。     

证据权重方法与信用风险控制

研究了证据权重方法在商业银行信用风险分析中的应用,给出了完整的证据权重逻辑回归算法,并且成功地将此算法应用到商业银行真实的企业财务数据,建立了信用风险评级模型,使得商业银行对于企业违约概率的定量刻画更加精准。此外通过与经典方法的比较,验证了该方法的可行性与效率。     

一种基于Logistic回归的基本信度分配函数的构造新方法

结合Logistic回归分类,该文提出一种新的构造证据理论基本信度分配函数的方法,并将其应用于多特征图像分类.该方法首先以多类Logistic回归分类法输出的后验概率与样本分类正确率建立证据权重系数,然后构造出加权的基本信度分配函数,最后利用加权D-S证据融合判别所属类别.实验结果显示:该方法既能提高图像分类的正确率,又能改正使用单特征分类导致的分类正确率的不稳定的缺点.