基于深度集成朴素贝叶斯模型的文本分类

针对传统朴素贝叶斯算法属于浅层学习,其特征独立性假设易引起分类效果欠佳的问题,提出一种深度集成朴素贝叶斯模型;该模型受深度森林中集成思想的启发,将高斯朴素贝叶斯、多项式朴素贝叶斯、伯努利朴素贝叶斯3种浅层基分类器集成为具有深层学习结构的朴素贝叶斯模型。结果表明:提出的深度集成朴素贝叶斯模型不仅克服了浅层学习特征表达能力不足的问题,而且缓解了特征独立性假设的缺点;通过在经典文本分类数据集上的实验,证明了提出的深度集成朴素贝叶斯模型的精确率、召回率以及精确率与召回率的调和平均数F_1值显著增大,模型性能良好。     

广义边界控制法在多层热传导边界识别问题中的应用

基于有限元(FEM)的广义边界控制法可应用于求解固体力学的反问题。带有柯西数据(部分边界的温度值与热流值)的多层热传导边界识别问题是一类反向热传导问题。研究用该方法求解带有柯西数据的一维多层热传导边界识别问题,并证明了该方法的可行性。数值实例证实基于有限元的广义边界控制法对多层热传导边界识别问题是有效且稳定的。