基于增量式贝叶斯模型的中文问句分类研究

固定训练集生成的分类器性能不理想且不能跟踪用户需求,为此,提出一种将增量式贝叶斯思想用于问句分类的方法。采用遗传算法选取最优特征子集优化分类器,从而避免训练集特征过分冗余,使分类器在学习过程中动态地扩大训练集并修改分类器参数。在对问句进行分类时,提取问句的疑问词、句法结构、疑问意向词和疑问意向词在知网的首项义原作为分类特征。为了验证增量式贝叶斯方法的有效性,从语料库中随机抽取不同规模的问句构成增量集,基于不同的增量集对同一测试集中的问句进行分类。实验结果表明,增量式贝叶斯分类器较朴素贝叶斯分类器有更高的分类精度,大类和小类的准确率分别达到90.2%和76.3%,在提高准确率的同时优化了运行效率。

基于增量式贝叶斯分类器的故障诊断研究

本文针对贝叶斯分类器精度不高,需要大量样本集学习,尤其是当获得大量的带有类别标注的样本代价较高时的缺点,探讨了一种基于增量式贝叶斯分类器的故障诊断方法,使用该模型不断积累完善样本,自动修正网络结构参数和概率分布参数,从而达到诊断效果的高效性。也把该模型运用到变压器的故障诊断中,通过大量的实例证明,该模型运用的算法在现实工作中有实质的可行性和操作性。