基于加权贝叶斯的数字图书资源个性化推荐方法研究

传统图书资源推荐方法的推荐准确率较低,难以实现精细化和个性化推荐。因此,提出基于加权贝叶斯的数字图书资源个性化推荐方法。首先,采集数字图书信息后,利用贝叶斯分类器对个性化图书实施分类处理。其次,设置情景化偏好模块,并计算情景下读者的相似度。最后,根据相似度计算结果,利用加权贝叶斯算法为读者推荐书籍。实验结果表明,与传统方法相比,该方法的推荐准确度高且稳定性强。

基于加权贝叶斯网络的新能源交易数据深度挖掘算法

由于新能源交易数据特征不同、数量较大,导致新能源交易数据深度挖掘效果较差,由此,设计一个基于加权贝叶斯网络的新能源交易数据深度挖掘算法。提取数据特征,基于贝叶斯网络,设计TAN分类器。计算其中最大特征值和对应的特征向量,对各个数据加权处理,得到条件特征值。在数据融合后,完成数据深度挖掘,实验结果表明,该算法有效地提高了挖掘准确率与挖掘效率,满足设计需求。

基于加权贝叶斯分类器的LTE接入网中间人攻击检测研究

由于LTE接入网的开放特性,任何人都可以访问其空中接口,因此很容易受到攻击者的控制并遭受网络攻击。其中,中间人攻击是典型的攻击方式之一。文章以检测LTE接入网的中间人攻击为研究目的,以较容易受到中间人攻击的接入过程为研究对象,分析信令和参数变化,并提取8个具有可识别性的特征。由于每个特征对分类结果的影响不同,因此文章利用遗传算法在组合优化问题上的优势,求解加权贝叶斯分类器的权值最优组合,改进加权参数的计算方法,从信令和日志角度提出了一种中间人攻击检测算法。文章将所提基于加权贝叶斯分类器的检测算法与常用中间人检测方法进行对比验证,结果表明,该算法在准确率和漏报率指标上明显优于其他算法。

基于加权贝叶斯分类器的人类启动子辨识方法

基因启动子区域控制一个基因转录的起始。因此,真核启动子预测是DNA序列分析中最重要的问题,也是非常困难的任务。用高斯混合模型(GMM)估计启动子中寡核苷酸位置密度并将其作为特征向量,是一种有效的方法。然而混合度G通常都选的很大,模型训练需要大量的时间。由于每个寡核苷酸位置分布的不同,本文提出用模糊聚类的方法分别确定每个寡核苷酸的最优混合度,提高了寡核苷酸位置分布的检测精度,并减少了计算时间。接着,提出了一种基于最小二乘法的加权贝叶斯分类器算法,用于人类启动子的辨识,进一步提高了辨识精度。仿真结果表明,本算法具有较高的预测效果。

非负最小二乘约束的加权贝叶斯反演算法研究

在多角度动态光散射纳米颗粒粒度分析反演算法中,加权贝叶斯算法具有较好的抗噪性能,然而初值敏感、耗时长等缺点限制了其广泛应用,本文提出非负最小二乘约束下的加权贝叶斯反演算法,利用非负最小二乘法的计算结果作为加权贝叶斯算法先验初值,并限制中值粒径和峰宽的寻优.对不同分布宽度的单峰颗粒系统在不同噪声下进行数据模拟,发现无论是宽分布还是窄分布的单峰颗粒系统,非负最小二乘约束的加权贝叶斯算法都可以显著提升迭代收敛速度和抗噪性能,在大噪声时收敛速度提升8倍以上且保证分布误差在0.0709以内.实验结果证明本文算法能很好地应用于多角度动态光散射的粒度分析.

基于加权贝叶斯的脱机手写阿文单词识别

针对手写阿拉伯单词书写连笔,且相似词较多的特点,该文提出一种新的脱机手写文字识别算法。该算法以固定组件为成分拆分阿拉伯单词,构建自组件特征至单词类别的加权贝叶斯推理模型。算法结合单词组件分割、多级混合式组件识别、组件加权系数估计等,计算单词类别的后验概率并得到单词识别结果。在IFN/ENIT库上的实验,获得了90.03%的单词识别率,证实组件分解对笔画连写具有鲁棒性,组件识别能提高相似词的辨别能力,而且该算法所需训练类别少,易向大词汇量识别扩展。

基于加权贝叶斯的击键特征身份识别

生物击键是以人的行为特征为基础的身份认证技术。在朴素贝叶斯分类理论的背景下,提出一种改进的加权贝叶斯方法。实验结果表明,加权后错误率较朴素贝叶斯大大降低,错误拒绝率FRR和错误接受率FAR分别为2.5%和1.4%。

一种基于强属性限定的加权贝叶斯分类器

朴素贝叶斯分类器是一种简单而高效的分类器,但它的条件独立性假设使其无法将属性间的依赖关系表达出来,影响了它分类的正确率,加权朴素贝叶斯是对它的一种扩展。基于强属性限定的贝叶斯分类器SANBC,通过在强弱属性之间添加增强弧以弱化朴素贝叶斯的独立性假设,扩展了朴素贝叶斯分类器的结构;结合加权朴素贝叶斯和基于强属性限定的贝叶斯分类器SANBC的优点,提出一种基于强属性限定的加权贝叶斯分类器WSANBC;实验结果表明,WSANBC分类器具有较高的分类正确率。

基于特征加权贝叶斯神经网络的微博异常账号检测

准确检测出微博的异常账号对净化网络环境有着至关重要的作用。为了更精确地检测出微博异常账号,提出一种基于特征加权贝叶斯(Weighted Native Bayesian,WNB)优化贝叶斯神经网络(Bayesian Neural Network,BNN)的微博账号检测模型。首先从微博账号中提取出多个行为特征,并且将行为特征进行归一化处理,然后对微博账号的行为特征建立贝叶斯神经网络模型进行检测,并采用WNB对神经网络的权值进行优化,以求获得最佳的检测效果。实验结果表明,基于特征加权贝叶斯神经网络的检测模型较采用贝叶斯神经网络时检测精度有了明显提高,所提出的检测模型具有较高的检测精度。

基于改进的加权贝叶斯网络恐怖袭击危害性评估

恐怖袭击危害性评估已成为安全科学领域的研究热点.针对恐怖袭击中影响因素多源、关系复杂和信息不确定的特点,该文引入随机森林模型和信息流理论,提出了一种新的基于因果性权重的加权贝叶斯网络,从整体性角度设计了以数据驱动并结合专家知识的恐怖袭击危害性评估模型.首先基于随机森林客观地筛选显著评估指标;其次采用信息流计算评估指标权重,通过结构学习和参数学习来构建加权贝叶斯网络;最后结合GTD记录的恐怖袭击事件进行危害性评估实验.实验结果表明,该文所提出的模型克服了传统定量风险评估方法在可验证性和灵活性上的不足,能够在多源不确定信息条件下实现恐怖袭击风险的定量评估,具有较高的准确性和可靠性.

基于广义加权贝叶斯估计的语音增强算法研究

相对于传统的瑞利假设,语音的离散傅里叶变换(DFT)系数更好地服从Chi分布。为了寻求语音失真度和噪声抑制程度之间的平衡,先在语音DFT系数服从Chi分布假设的条件下推导出一个基于听觉感知特性广义加权的贝叶斯估计器。然后,将语音存在概率考虑进新推导出的贝叶斯估计器中,获得一个Chi先验下联合了语音存在概率的贝叶斯估计器。为了在语音的起始段抑制音乐噪声的产生,得到一个新型的混合先验信噪比估计器。仿真证明,提出的增强算法较传统算法在各种噪声环境下各种性能指标都有了较大的提高。

基于改进的加权贝叶斯分类算法在空间数据中的应用

朴素贝叶斯算法是一种简单而高效的分类算法,但它的属性独立性假设,影响了它的分类性能。针对这个问题,提出一种基于属性约简的PLS加权朴素贝叶斯分类算法。该算法首先分析属性之间的相关性,通过属性约简选择一组近似独立的属性约简子集,提出改进的偏最小二乘回归加权朴素贝叶斯分类算法,实验结果表明,改进算法具有较高的分类准确度。并将改进的算法应用于边坡识别问题中。

基于加权朴素贝叶斯的干式空心电抗器状态评估方法

实际运行状态的干式空心电抗器在故障诊断时,减少故障误报率和漏报率是其研究的重点和难点。对此,提出基于加权朴素贝叶斯的干式空心电抗器状态评估方法。首先建立基于多物理场耦合的电抗器匝间短路故障仿真模型,并通过搭建电抗器运行试验平台验证了仿真方法的有效性;然后仿真和分析了多运行状态下电抗器电流幅值、电流谐波、阻抗角和热点温度等特征量变化规律,获取电抗器正常和已知故障样本集;最后提出基于多状态特征量的加权朴素贝叶斯电抗器状态评估方法。算例结果表明:该方法具有分类准确率高、训练样本少等优点,是电抗器运行状态识别和分类的有效方法。

面向互联网用户行为分析的加权概率融合贝叶斯网络研究

针对依靠单一算法训练互联网用户行为数据构建的贝叶斯网络(Bayesian Network,BN)计算耗时长、结构不稳定等问题,提出加权概率融合并行贝叶斯网络增量学习(WPFPBayes)算法。该算法根据自适应数据切片算法找出最优数据片尺寸,快速进行并行BN模型训练;将数据切片上学习得到的若干子BN结构通过融合加权概率方法合并成一个全局BN模型;通过一种增量评分函数定量表示单位时间内网络模型与数据之间适应程度的变化情况;采用依据特定结点进行BN更新的措施达到新旧数据在网络中的平衡。仿真实验结果表明:WPFPBayes算法下得出的BN模型的效率及其准确率均高于其他常见算法;随着数据量的增加,BN模型数据表达的准确率和稳定性均得到提高,可以更有效检测网络用户的异常行为。

多角度动态光散射加权贝叶斯反演算法

研究加权贝叶斯算法在多角度动态光散射法测量单峰分布颗粒体系的颗粒粒度分布中的应用.采用颗粒粒度信息分布为底数、调节参数为指数的权重系数给各个角度下的光强自相关函数曲线加入不同的权重系数,再利用传统的贝叶斯算法反演.模拟与实验结果表明,加权后的贝叶斯算法能获得分布误差更小的反演结果,有效地抑制了数据噪声的影响,提高颗粒粒度分布反演的准确性.

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Rough Set的加权朴素贝叶斯分类算法

朴素贝叶斯算法是一种简单而高效的分类算法,但其条件独立性假设并不符合客观实际,这在某种程度上影响了它的分类性能。加权朴素贝叶斯是对它的一种扩展。基于Rough Set的属性重要性理论,提出了基于Rough Set的加权朴素贝叶斯分类方法,并分别从代数观、信息观及综合代数观和信息观的角度给出了属性权值的求解方法。通过在UCI数据集上的仿真实验,验证了该方法的有效性。

基于粗糙集的加权朴素贝叶斯邮件过滤方法

邮件过滤中有两个关键问题,一是如何选择有效的邮件特征集,二是设计较好的邮件过滤算法。在对邮件特性进行分析的基础上,综合邮件头及邮件内容的主要形象特征给出了一种新的邮件特征集提取方法。用粗糙集的信息观点度量了各属性的重要性,并以此为权重进行加权朴素贝叶斯垃圾邮件过滤,有效地解决了朴素贝叶斯分类中的条件依赖性问题。通过在中英文邮件集上的测试实验,证明了所提出的邮件过滤方法的有效性。

基于改进属性加权的朴素贝叶斯入侵取证研究

针对传统朴素贝叶斯分类模型在入侵取证中存在的特征项冗余问题,以及没有考虑入侵行为所涉及的数据属性间的差别问题,提出一种基于改进的属性加权朴素贝叶斯分类方法。用一种改进的基于特征冗余度的信息增益算法对特征项集进行优化,并在此优化结果的基础上,提取出其中的特征冗余度判别函数作为权值引入贝叶斯分类算法中,对不同的条件属性赋予不同的权值。经实验验证,该算法能有效地选择特征向量,降低分类干扰,提高检测精度。

基于属性加权朴素贝叶斯的冠心病辨证模型

在原有中医药冠心病临床治疗数据采集系统的基础上,使用中医证型的辨证相关因素,提出属性加权朴素贝叶斯算法,并应用到冠心病中医证型的分类模型之中。实验结果显示,对于冠心病4种证型的分类,运用属性加权朴素贝叶斯分类算法都略高于朴素贝叶斯分类算法。实验结果表明属性加权朴素贝叶斯分类算法在中医冠心病临床诊断中具有良好的分类性能。