Naive Bayesian Classifier在遥感影像分类中的应用研究

将Naive Bayesian Classifier(简单贝叶斯网络分类器)用于遥感影像的分类,并对其主要问题如特征选择和后验概率推理等展开研究。使用K2结构学习算法选出具有类别可分性的波段,进一步利用互信息测试对遥感波段之间的相关性做分析,去除冗余信息。特征(波段)的条件独立性假设简化了联合概率的计算,以较小的计算代价获得后验概率。在此基础上,将Naive Bayesian Classifier用于多光谱和高光谱影像的分类,获得很好的性能和相当高的稳健性。

Integrating RFID Technology with Intelligent Classifiers for Meaningful Prediction Knowledge

Radio Frequency Identification (RFID) is wireless technology that has been designed to automatically identify tagged objects using a reader. Several applications of this technology have been introduced in past literature such as pet identification and luggage tracking which have increased the efficiency and effectiveness of each environment into which it was integrated. However, due to the ambiguous nature of the captured information with the existence of missing, wrong and duplicate readings, the wide-scale adoption of the architecture is limited to commercial sectors where the integrity of the observations can tolerate ambiguity. In this work, we propose an application of RFID to take the reporting of class attendance and to integrate a predictive classifier to extract high level meaningful information that can be used in diverse areas such as scheduling and low student retention. We conclude by providing an analysis of the core strengths and opportunities that exist for this concept and how we might extend it in future research.

一种基于Bayesian分类器的SSH网络隐蔽信道检测方法

隐蔽信道是一种能够以难以察觉的方式泄漏信息系统机密信息的通信方式。网络隐蔽信道是信息安全领域的研究热点,对保护网络数据安全以及于云计算平台数据安全至关重要。提出一种基于SSH数据包间隔时间的网络时间隐蔽信道实例;基于SSH协议的时间间隔特征,设计一种基于Bayesian分类器的检测方法;实验结果证明该检测方法能够达到95%的准确率,具有很好的检测性能。

一种无监督双层DBN的轴承故障智能诊断方法

大型滚动轴承设备的运行环境复杂多变,以往利用模式识别建立的诊断方法,通常难以有效解决数据含有噪声,不完备、无标签等问题。因此提出一种无监督双层深度信念网络(DBN)的滚动轴承故障智能分类与诊断方法。方法利用DBN的逐层贪婪学习来挖掘与故障相关的特征信息并输入分类器。通过自适应模糊C均值聚类算法,识别未知数据中的异常值。若异常值密度聚集度低,则判定其为噪声,并以此消除分类过程噪声干扰;若异常值密度聚集度高,则判定其为一个新类别,并合并到故障知识库中。之后再将贝叶斯分类器的方法应用于二级DBN网络中,使故障损伤等级实现无监督学习。利用西储大学滚动轴承实验平台数据对此套方法进行验证,结论表明在有噪声和不完备数据建模情况下,可以很好地完成故障类型与损伤等级的准确划分,具有一定的智能性。

基于贝叶斯衍生分类器的社交网络用户影响力评价模型

为了防止社交网络中的负面信息快速传播,则需要通过评价社交网络中用户的影响力来找出影响力大的社交网络节点。针对传统算法在社交网络领域中交叉特性缺失的问题,结合高斯贝叶斯衍生分类器,提出一种网络用户影响力评价模型。该模型结合用户活跃度、用户联系度、用户覆盖度等维度,建立社交网络用户影响力刻画指标,同时考虑社交网络用户之间的关系特征和用户自身的行为特征,降低僵尸粉和垃圾社交网络对网络评价结果的影响,通过建立连续属性朴素贝叶斯分类器方法,提出基于高斯贝叶斯衍生分类器的模型求解方法。使用新浪微博中152059423条媒体报纸用户评论作为实验数据,分析影响该评价模型的关键因素,利用仿真软件完成和HRank等传统模型对比实验,结果表明,该模型体现了社交网络用户的交叉特性,提升了模型的实用性,相比于其他传统算法,该模型分类误差更趋于稳定,分类结果的误差率更低,适应性更好。

基于贝叶斯网络的等级保护测评辅助方法

当前在等级保护测评活动中,测评指标众多,为减少人工审核所耗费的时间和资源,引入了贝叶斯网络作为一种辅助方法。首先,该方法以现有机构的大量测评数据为基础构建贝叶斯网络模型,模型以测评指标为父节点,测评指标中的各检查点为子节点,通过工具Netica计算得出各测评指标和检查点的概率;然后,通过专家验证调整部分预设关系得出各测评指标和检查点基准概率;最后,以此准概率与测评中新得到的数据进行对比,可为等级保护测评活动提供辅助检验、预测的功能。

信通机器人多场景问答的人工智能技术研究

信通行业客户所提出的交互独立问句缺省较多,且上下文的关联性较强,导致当前的信通客服机器人的回复技术已经无法满足客户需求。为此,提出信通机器人多场景问答的人工智能技术。信通客服机器人回复内部架构的设计包括语音识别、文本识别、语义理解和对话交互等多种功能模块。利用朴素贝叶斯分类器对客户消息进行识别分类。通过联系上下文提取客户消息中的问点,将长短期记忆网络应用在回复消息匹配的计算过程中,以获取较优的回复内容。在客服机器人性能测试中,设置了不同场景以进行测试。测试结果表明,在不同的场景中,信通客服机器人的各个指标均优于传统的客服机器人,并且具有较好的问答回复效果。该结果验证了所设计的客服机器人的场景通用性和有效性。

基于贝叶斯网络分类器的变压器综合故障诊断方法

鉴于电力变压器故障诊断中的信息和知识具有随机性和不确定性的特点,利用贝叶斯网络表达知识灵活、分析处理不确定性与关联性问题能力强的优点,本文提出了一种基于贝叶斯网络分类器的以溶解气体分析为主结合其他电气试验结果的变压器综合故障诊断方法,并建立了变压器朴素贝叶斯网络故障诊断模型和TAN故障诊断模型。文中详细阐述并验证了该方法解决信息不完备问题的优越性。该模型还可以通过不断积累完善训练样本,自动修正网络结构参数和概率分布参数,提高诊断效果。实例验证表明了该方法的有效性。

基于贝叶斯网络的分类器研究

研究了贝叶斯分类器家族中具有代表性的分类器,即朴素(naive)贝叶斯分类器、贝叶斯网络分类器和TAN(treeaugmentednaiveBayesian)分类器;发现属性变量之间的依赖相对于属性变量与类变量之间的依赖是可以忽略的,因此在所有树形分类器中TAN分类器是最优的.

基于贝叶斯网络的目标融合识别方法研究

利用贝叶斯网络模型进行目标融合识别是近年来的一个研究热点。以电子战环境中的数据融合为背景,提出了一种以朴素贝叶斯分类器和扩展的朴素贝叶斯分类器为基本结构的目标融合识别模型,采用同质传感器数据优先融合原则对雷达侦察、通信侦察和红外成像侦察数据进行融合。仿真实验表明,该模型可以有效地提高识别系统的准确率、可靠性和稳健性。

基于MWST+T-K2结构学习算法的贝叶斯分类器

针对K2算法在构建贝叶斯分类器时节点排序不同影响分类准确率的问题,提出了一种MWST+T-K2结构学习算法,运用Matlab软件的BNT工具箱构建了MWST+T-K2分类器,并经过NBC、TANC、MWST和MWST+T-K2分类器对UCI数据库的24个分类数据集进行分类检验.结果表明,对4种分类器在24个数据集上的分类水平进行整体与两两比较时,MWST+T-K2分类器的分类水平均最优;在小数据集上比较时,MWST+T-K2分类器的分类水平取得全局最优,未取得局部最优;在大数据集上比较时,未取得全局或局部最优,低于TANC的分类水平.所以,MWST+T-K2结构学习算法是一种适合构建小数据集贝叶斯分类器的方法.

风电机组输出功率超短期预测的组合模型研究

为了提高风电功率的预测精度,基于多模型的预测MS-RBF神经网络的进行组合,通过Bayesian分类训练各子模型的权值,然后根据权重计算最终预测值;基于新疆某风电场实测历史数据,采用该组合模型与RBFNN模型分析对比,验证结果表明该组合模型有效减少了较大误差出现的频率,提高了整体的预测精度。

基于类约束的贝叶斯网络分类器学习

分类能力是人类经过学习得到的重要而基本的能力 ,也是机器学习、模式识别和数据采掘研究的核心问题 .在0 - 1损失率下 ,证明了基于类约束的贝叶斯网络分类器是最优分类器 .建立该分类器的核心问题是基于类约束属性贝叶斯网络结构学习 ,给出了学习属性贝叶斯网络结构的方法 ,在学习过程中使用了根据弧方向因果语义确定边方向的方法 ,并和碰撞识别定向相结合 ,在边定向之后进行冗余弧检验 ,解决了目前冗余边检验在定向之前所导致的问题 ,显著提高了结构学习效率和准确性 .并使用模拟数据进行了分类实验和分析 .

智能电网的10G-EPON中基于贝叶斯分类的业务感知机制(英文)

随着智能电网的发展及其多种信息业务的涌现,10G-EPON作为业务接入技术日益成为重要支撑;然而业务的多元化对10G-EPON的多业务支撑能力提出了重要挑战.为了适应电力系统中多种不同类型业务的需求,本文对智能电网的信息业务特性进行分析,提出了一种基于贝叶斯分类的10G-EPON业务感知机制;并且根据10G-EPON中OLT与ONU的主从式网络架构特点,提出了业务感知的主从式实现方式.该机制使用贝叶斯网络分析数据包的特征,进而确认待传送业务的类型.在贝叶斯业务分类的基础上,通过OLT和ONU之间的交互决定业务的资源分配和传输策略.为了验证新机制的有效性,分别从时延和丢包率两方面进行系统仿真.仿真结果表明,所提出的基于贝叶斯分类的业务感知机制在时延和丢包率具有显著的优势,能够实现业务与10G-EPON的高效匹配,提高10G-EPON在智能电网应用中多业务的区分支持能力.

基于条件对数似然函数导数的贝叶斯网络分类器优化算法

通常基于鉴别式学习策略训练的贝叶斯网络分类器有较高的精度,但在具有冗余边的网络结构之上鉴别式参数学习算法的性能受到一定的限制.为了在实际应用中进一步提高贝叶斯网络分类器的分类精度,该文定量描述了网络结构与真实数据变量分布之间的关系,提出了一种不存在冗余边的森林型贝叶斯网络分类器及其相应的FAN学习算法(Forest-Augmented Nave Bayes Algorithm),FAN算法能够利用对数条件似然函数的偏导数来优化网络结构学习.实验结果表明常用的限制性贝叶斯网络分类器通常存在一些冗余边,其往往会降低鉴别式参数学习算法的性能;森林型贝叶斯网络分类器减少了结构中的冗余边,更加适合于采用鉴别式学习策略训练参数;应用条件对数似然函数偏导数的FAN算法在大多数实验数据集合上提高了分类精度.

层次朴素贝叶斯分类器构造算法及应用研究

贝叶斯网络分类器是数据挖掘与知识发现领域研究的主要方法之一。层次朴素贝叶斯分类器通过引入潜在节点来实现属性变量间存在聚集的层次关系,提出学习该分类器的构造算法。算法首先借助节点间的条件互信息值来锁定可能聚集节点的范围,然后再通过模拟退火算法来搜索评分较高的模型。层次朴素贝叶斯分类器的结构特点适于构造水质富营养化评价模型,应用于水质预警系统的结果证明该方法可行,并具有较好的适用效果。

贝叶斯分类器的判别式参数学习

为了提高贝叶斯分类器的分类性能,针对贝叶斯网络分类器的构成特征,提出一种基于参数集成的贝叶斯分类器判别式参数学习算法PEBNC。该算法将贝叶斯分类器的参数学习视为回归问题,将加法回归模型应用于贝叶斯网络分类器的参数学习,实现贝叶斯分类器的判别式参数学习。实验结果表明,在大多数实验数据上,PEBNC能够明显提高贝叶斯分类器的分类准确率。此外,与一般的贝叶斯集成分类器相比,PEBNC不必存储成员分类器的参数,空间复杂度大大降低。

约束高斯分类网研究

针对基于一元高斯函数估计属性边缘密度的朴素贝叶斯分类器不能有效利用属性之间的依赖信息和使用多元高斯函数估计属性联合密度的完全贝叶斯分类器易于导致对数据的过度拟合而且高阶协方差矩阵的计算也非常困难等情况,在建立属性联合密度分解与组合定理和属性条件密度计算定理的基础上,将朴素贝叶斯分类器的属性选择、分类准确性标准和属性父结点的贪婪选择相结合,进行约束高斯分类网学习与优化,并依据贝叶斯网络理论,对贝叶斯衍生分类器中属性为类提供的信息构成进行分析.使用UCI数据库中连续属性分类数据进行实验,结果显示,经过优化的约束高斯分类网具有良好的分类准确性.

基于高斯Copula的约束贝叶斯网络分类器研究

具有连续属性的分类问题普遍存在,目前主要采用两种方法来处理连续属性:一种是将连续属性进行离散化;另一种是基于高斯函数或高斯核函数来估计属性密度.连续属性的离散化可能导致信息丢失、引入噪声和类对属性的变化不够敏感等问题,而高斯函数和高斯核函数在属性密度估计中各有优势与不足,但它们具有很强的互补性.该文依据Copula和贝叶斯网络理论,结合高斯Copula密度函数、引入平滑参数的高斯核函数和以分类准确性为标准的属性父结点贪婪选择,建立连续属性约束贝叶斯网络分类器,既可以避免连续属性离散化所带来的问题,又能够实现高斯函数和高斯核函数在属性密度估计方面的优势互补.分别采用真实数据和模拟数据进行实验,结果显示,使用结合边缘高斯核函数的高斯Copula估计属性密度的约束贝叶斯网络分类器具有良好的分类准确性.