一种基于属性相关性度量的朴素贝叶斯分类模型

本文通过分析属性相关性的度量和属性约简,提出一种基于属性相关性度量的朴素贝叶斯分类模型EANBC。实验结果表明,与朴素贝叶斯分类模型相比,EANBC分类模型具有较高的分类正确率。     

一种新的多关系朴素贝叶斯分类器

针对现有多关系朴素贝叶斯分类器中存在的统计偏斜问题,扩展了语义关系图的定义,给出了一种新的统计计数方法,构建了相应得多关系朴素贝叶斯分类公式,形成了一种基于关系数据库技术的新的多关系朴素贝叶斯分类器。为高效进行关系表连接,采用元组ID传播方法对关系表进行虚拟连接。进一步提高分类准确率,基于互信息标准对属性进行剪枝。实验显示新的分类器具有良好的分类性能。     

不同理性预期下Stackelberg模型的动态复杂性

构建双寡头参与人分别采取有限理性和天真理性预期的Stackelberg博弈模型,研究市场均衡的稳定性条件及动态复杂性特征.通过理论求解和数值模拟得出结论:参与人在不完全信息和不同理性情况下,Stackelberg模型的参数取值范围决定了动态系统的稳定性、产量分岔、利润分岔、奇怪吸引子、吸引子维数和混沌等;如果参数取值满足一定条件,静态Stackelberg推测变差均衡能够实现;否则,Stackelberg推测变差均衡不稳定,非线性动态经济系统可能会出现周期变化或混沌的现象.     

课堂教学评估的多层次贝叶斯网络分类器方法

课堂教学是为实现一定的教学目标而展开的信息传递、过程控制和策略实施过程.依据课堂教学的特点给出了课堂教学评估的指标体系,并在此基础上建立了课堂教学评估的层次贝叶斯网络分类器模型.为提高分类器的分类识别准确率,在连续属性中引入形状参数,实验结果显示,通过形状参数的优化能够显著提高分类器的分类识别可靠性.     

基于属性相关的朴素贝叶斯分类算法

朴素贝叶斯分类器是一种简单、高效的分类算法,它以贝叶斯定理和最大后验假设为理论基础,然而朴素贝叶斯分类器属性之间相互独立的假设,影响了朴素贝叶斯分类器的性能.提出先使用基于相关的属性选择算法进行属性选择,然后在选择的属性集上,用朴素贝叶斯分类器对数据集进行分类.实验证明,与未使用属性选择的实验结果相比,使用基于相关的属性选择算法进行属性选择后,朴素贝叶斯分类器平均分类正确率提高,分类效率显著提升.     

GL2(C)的一些不可约表示

设G=GL₂(C), 并且B是G的标准Borel子群, 并且CG, CB分别是群G和群B的在复数域C上的群代数.对于任意B的特征标θ, 定义G的离散诱导模M(θ) = CG×_CBθ. 证明了当θ是反支配权时,M(θ)是个不可约表示.由此给出了一类GL₂(C)全新的、无限维的不可约表示.     

基于相关系数的加权朴素贝叶斯分类算法

朴素贝叶斯分类算法的条件独立性假设在很少情况下能够满足,为了克服该问题,提出了一种基于相关系数的加权朴素贝叶斯分类模型.通过计算条件属性和决策属性之间的相关系数,对不同的条件属性赋予不同的权重,从而在保持简单性的基础上有效地提高了朴素贝叶斯算法的分类性能.首先给出了基于相关系数的属性权值求解方法,然后描述了相应的算法,并对算法原理进行了分析与证明.通过在中医小儿肺炎病例数据集和UCI数据集上的仿真实验,验证了该方法的有效性.     

基于形式概念分析的模式匹配算法

提出了一种基于形式概念分析的模式匹配的FCABSM方法,该方法由3部分组成:首先,以朴素贝叶斯文本分类算法为基础设计名称分类算法及描述分类算法,分类目标模式与待匹配模式的元素名以及元素描述,为模式间元素的匹配提供初始依据.其次,利用形式概念分析技术整合分类结果、元素类型信息以及约束信息,提高匹配精度.该阶段为待整合信息创建形式上下文、获取形式上下文中蕴涵的概念、确立概念间偏序关系及构建概念格.最后,以第二阶段的概念格为计算依据,引入基于结构的相似评估模型来计算出最终的匹配结果.实验表明,基于FCA的模式匹配方法的平均性能优于缺少FCA整合的直接匹配方法.     

加权超1-依赖贝叶斯分类器在柴油机故障诊断中的应用

在传统贝叶斯分类方法基础上,通过计算每个超1-依赖分类器与其相对应的朴素贝叶斯分类器的差异性来对超1-依赖分类器进行加权,提出一种超1-依赖分类器的度量方法,并将该算法运用到Dewetron燃烧分析仪采集到的柴油机故障数据分类诊断中.实验证明,该算法在柴油机故障检测上较传统加权超1-依赖算法有较稳定的精度提升.