Bayes判别的塑钢窗红外光谱快速识别

摘塑钢窗的检验鉴定是微量物证检验中一项重要的工作,本实验借助红外光谱分析技术和Bayes判别分析对塑钢窗样本实现了快速准确的检验区分。实验采集了天津等5个省份41种不同品牌的塑钢窗样本红外谱图,采取自动基线校正和峰面积归一化操作及Savitzky-Golay算法平滑谱图,借助Z标准化和主成分分析处理数据,进而构建Bayes判别模型。结果表明,各样本均实现了品牌间的准确区分,判别准确率达100%,借助红外谱图进一步验证分析,发现同一品牌不同地域的样本差异性较为显著,Bayes判别模型能够很好地实现区分和识别。综上,本实验通过构建基于Bayes判别分析的红外光谱可视化分类模型,实现了41个塑钢窗样本品牌和地域之间100%的区分和识别,该方法快速、无损、准确,且普适性高。

基于Parzen窗法的贝叶斯参数估计

针对贝叶斯估计中所需的非规则概率密度函数,提出用Parzen窗算法估计相关概率密度,从而求解不同损失函数下的贝叶斯参数估计器。实例分析中,选择一组电阻测量值作为样本,利用Parzen窗法计算出相应的概率密度函数,最后用交叉验证法得出了该样本的最小绝对值误差参数估计器。

基于自适应邻域系数的小波图像阈值降噪

利用小波系数的层内相关性原理,并结合广义高斯模型,提出一种自适应邻域的阈值去噪方法。该方法通过计算以待处理系数为中心的不同邻域内的相关度系数,选择相关程度最好的邻域。对该方法中选择的邻域尺寸进行统计,发现分解的层次越高,较大的邻域出现的概率越大,这有利于保护边缘信息。实验结果表明,该方法优于固定邻域及阈值改进的邻域阈值方法,是一种有效的去噪方法。

基于树扩展朴素贝叶斯分类器的Web代理服务器缓存优化

Web代理服务器缓存能在一定程度上减少网络拥塞现象和用户的访问延迟,减轻服务器负载。然而Web代理缓存的缓存命中率和字节命中率较低,并不能很好地起到加速网络请求响应的效果。为此,研究监督学习方法,使用树扩展朴素贝叶斯分类器对Web日志数据进行分类,进而预测可能会再次访问到的Web对象,并结合最近最少使用(LRU)算法,提出一种新的缓存策略。实验结果表明,树扩展的贝叶斯分类器在精度和召回率指标上优于朴素贝叶斯和BP神经网络等分类器,通过树扩展的贝叶斯分类器优化后的缓存策略与普通LRU算法相比,不仅可以提高缓存的效率,而且可有效提高Web代理缓存的请求命中率和字节命中率。

参数估计中最小绝对值误差估计器的实现

简要介绍了贝叶斯参数估计的基本原理,并在选择绝对型损失函数的基础上,给出了最小绝对值误差估计器(minimum mean absolute error,简称MMAE)的实现方法.选择1组电阻测量值作为样本,利用Parzen窗法计算出相应的概率密度函数,最后得出了该样本的MMAE估计器.

基于视觉显著性及多特征分析的目标检测

针对视觉显著性分析不能辨别目标且单个特征描述目标具有局限性的问题,提出基于视觉显著性及多特征分析的目标检测.首先,对已标定训练图,生成遍历整幅图像的随机采样区域,通过多特征分析获取每个区域包含目标可能性的先验参数信息;然后,对测试图,依据上述先验信息,基于贝叶斯模型计算每个随机采样区域包含目标可能性的评分值,并将值高的若干区域标记为目标候选区域;最后,结合显著性分析及判别准则,对候选区域进一步判定,以确定最大可能涵盖目标的区域,从而实现目标检测.研究结果表明:显著性分析具有对目标所在区域的主动选择性;多特征结合能有效描述目标以使目标更具可区分性.

垃圾邮件并行过滤模型的设计

随着网络的日益普及,垃圾邮件问题日趋严重,各种过滤垃圾邮件的算法也应运而生。简单贝叶斯方法计算简便,但受算法假设条件的限制,查全率和正确率都难以达到更高的层次;其他几种方法计算太复杂。将计算机理论中的"流水"概念引入到垃圾邮件分类器中,建立并行过滤模型,查全率和准确率都比较令人满意。

基于改进朴素贝叶斯的区间不确定性数据分类方法

基于Parzen窗的朴素贝叶斯在区间不确定性数据分类中存在计算复杂度高、空间需求大的不足。针对该问题,提出一种改进的区间不确定性数据分类方法 IU-PNBC。首先采用Parzen窗估计区间样本的类条件概率密度函数(CCPDF);然后通过代数插值得到类条件概率密度函数的近似函数;最后利用近似代数插值函数计算样本的后验概率,并用于预测。通过人工生成的仿真数据和UCI标准数据集验证了算法假设的合理性以及插值点数对IUPNBC算法分类精度的影响。实验结果表明,当插值点数大于15时,IU-PNBC算法的分类精度趋于稳定,且插值点数越多,算法分类精度越高;该算法可以避免原Parzen窗估计对训练样本的依赖,并有效降低计算复杂度;同时由于该算法具有远低于基于Parzen窗的朴素贝叶斯的运行时间和空间需求,因此适合解决数据量较大的区间不确定性数据分类问题。

纹理元提取与纹理合成的自由参数估计

该文分析了常见的两类纹理:随机性纹理与结构性纹理的特性,针对其不同的统计特征,采用两种方法提取纹理元。对随机性纹理采用变尺度窗口特征跟踪的方法提取纹理元;对结构性纹理,利用其具备较为明显的边界特性,采用基于图像分割的方法提取纹理元。为避免图像噪声和自然边界不连续造成的提取误差,使用Bayes分类进行二次精细分割加以修正。实验证明,该文提出的方法对两类纹理元有较好的提取效果,同时可以用来估计纹理合成时的自由参数。

一种 PNN 网络的 EM 训练算法

提出一种概率神经网络（ＰＮＮ）的ＥＭ（ＥｘｐｅｃｔａｔｉｏｎＭａｘｉｍｉｚａｔｉｏｎ）训练算法．ＰＮＮ网为一四层前馈网，它构成一个贝叶斯分类器，实现多类分类的贝叶斯判别，它把输入的样本模式，经网络变换为输出的分类判决．其网络节点对应于贝叶斯后验概率公式的各个变量．此ＰＮＮ网络用高斯核的Ｐａｒｚｅｎ窗函数作为核密度函数，网络参数训练由ＥＭ算法实现，其学习方式为类间的监督学习和类内的非监督学习．实验表明了此网络及其学习算法在分类应用中的有效性．

基于贝叶斯分类算法的电子呼啦圈设计

针对实体的呼啦圈体积大,不易携带,使用不当可能对身体造成伤害的问题,设计了一种基于贝叶斯分类算法的电子呼啦圈。系统使用三轴加速度计采集呼啦圈旋转时腰部的加速度信号,经卡尔曼滤波后,提取特定周期内的波形特征并以此训练贝叶斯分类器,利用训练后的分类器对实时滑动窗口内加速度计数据进行判断是否符合转实体呼啦圈腰部的运动特征,并将分类结果通过蓝牙发送至Android终端。实验证明:该设计功耗低,实时性好,准确率高。