基于扩展贝叶斯分类的通信网络前向链路安全传输方法

由于出现未经授权的访问、数据完整性受损、线路窃听等各种安全问题,导致通信网络的前向链路无法正常传输数据。对此,提出基于扩展贝叶斯分类的通信网络前向链路安全传输方法,在确定通信网络前向链路信息安全传输框架的基础上,引入扩展贝叶斯分类法对通信网络前向链路进行分类,引入IBE方法对通信网络前向链路数据进行加密,然后统一传输,实现通信网络前向链路的安全传输。实验结果表明,采用改进方法,其数据传输量增加,传输准确率高且传输耗时短,具有一定的优势。

顾及扩展贝叶斯分类算法的计算机网络涉密信息安全应用系统

顾及扩展贝叶斯分类算法(Extended Bayesian Classification Algorithms,EBCA)的计算机网络涉密信息安全应用系统,当前仅仅处于发展的初始阶段。多研究人员都无法描述相互之间的一些关系。本研究以计算机网络安全的涉密信息安全为核心,巧妙利用EBCA反向传播模型,综合使用非线性函数的功能提出了顾及EBCA的计算机网络涉密信息安全应用系统,有效解决了复杂的交联关系,同时通过仿真实验对所提出的模型进行了有关验证。顾及EBCA的计算机网络涉密信息安全应用系统的设计与实施提供理论支撑。

基于扩展贝叶斯分类算法的网络安全状态在线定量评价

准确了解计算机网络的安全状态非常重要,大多数计算机网络安全评估系统都无法对数据进行彻底地分析,这成为获取计算机网络安全状态的瓶颈。针对这一问题,提出了一种基于扩展贝叶斯分类算法的计算机网络安全评估规则的算法模型,研究了计算机网络安全评估的扩展贝叶斯分类知识系统描述,给出了扩展贝叶斯分类属性约简的方法,通过简化的网络安全评估数据集验证了提出的决策规则挖掘方法。实验结果表明,该网络安全评估方法是可行、有效的,获得的决策规则符合实际。

基于贝叶斯网络分类器的雷达辐射源识别方法

雷达辐射源识别是电子对抗中的重要组成部分。贝叶斯网络分类器建立在坚实的理论基础之上,具有较为优秀的分类性能,而且能够有效地处理不确定性问题,重点研究了如何利用贝叶斯网络分类器进行雷达辐射源识别,并通过仿真实验对朴素贝叶斯分类器及其扩展方法进行了分析比较。实验结果表明,与基于概率近似准则的方法相比,基于分类准确率提高准则的扩展树生成方法具有更为优秀的分类性能。

词间相关性在贝叶斯文本分类中的应用研究

针对朴素贝叶斯分类的属性独立性假设的不足,讨论了相关性及多变量相关的概念,给出词间相关度的定义。在TAN分类器的词间相关性分析基础上,提出一种文档特征词相关度估计公式及其在改进朴素贝叶斯分类模型中应用的算法,在Reuters-21578文本数据集上的实验表明,改进算法简单易行,能有效改进贝叶斯分类性能。

用Matlab语言建构贝叶斯分类器

文本分类是文本挖掘的基础与核心,分类器的构建是文本分类的关键,利用贝叶斯网络可以构造出分类性能较好的分类器。文中利用Matlab构造出了两种分类器:朴素贝叶斯分类器NBC,用互信息测度和条件互信息测度构建了TANC。用UCI上下载的标准数据集验证所构造的分类器,实验结果表明,所建构的几种分类器的性能总体比文献中列的高些,从而表明所建立的分类器的有效性和正确性。笔者对所建构的分类器进行优化并应用于文本分类中。

基于TAN贝叶斯网络分类器的测井岩性预测

贝叶斯网络是一种建立在概率和统计理论基础上的数据分析和辅助决策工具,利用其构造出的树扩展朴素贝叶斯网络分类器是目前最优秀的分类器之一。针对石油勘探中测井数据的特殊性,利用贝叶斯网络预测出其对应的岩性,并介绍了使用此方法进行岩性预测的算法过程。通过BNT软件包用Matlab语言构建了分类器,并由实验结果的分析说明了此分类器的优点。

基于TAN的网络流量分类方法

针对传统的基于传输层端口和基于特征码的流量分类技术准确率低、应用范围有限等缺点,提出了使用树扩展的贝叶斯分类器的方法,该方法利用网络流量的统计属性和基于统计理论的贝叶斯方法构建分类模型,并利用该模型对未知流量进行分类。实验分析了不同权值、不同规模的数据集对其性能的影响,并与NB、C4.5算法做了比较。实验结果表明,该方法具有较好的分类性能和较高的分类准确率。

扩展的树增强朴素贝叶斯分类器

树增强朴素贝叶斯分类器继承了朴素贝叶斯分类器计算简单和鲁棒性的特点,同时分类性能常常优于朴素贝叶斯分类器,然而在有连续变量的情况下要求必须进行预离散化。为了更好地表达数据的分布,减少信息损失。有必要考虑混合数据的情况。本文推导混合数据的极大似然函数,提出扩展的树增强朴素贝叶斯分类器,突破必须对连续变量进行预离散化的限制,能够在树增强朴素贝叶斯分类器的框架内处理混合变量的情况。实验测试证明其具有良好的分类精度。

扩展的树增强朴素贝叶斯网络信用评估模型

针对信用评估问题的特点,在推导混合数据极大似然函数的基础上,提出了扩展的树增强朴素贝叶斯网络信用评估模型,用10层交叉验证在真实数据集上进行了测试并与神经网络分类模型进行了比较.测试结果表明扩展的树增强朴素贝叶斯网络信用评估模型具有较高的分类精度,在信用评估中具有优势.

TANC-BIC结构学习算法

树扩展朴素贝叶斯分类器(TANC)是应用较广的一种贝叶斯分类器。TANC的分类性能优于朴素贝叶斯分类器(NBC)。现有的TANC结构学习算法是基于相关性分析的,采用互信息测度。贝叶斯信息测度(BIC)在基于打分和搜索的贝叶斯网络结构学习中取得了成功,文中用BIC测度来衡量属性结点之间的相关性,提出了一种新的TANC-BIC结构学习算法。在MBNC实验平台上编程实现了TANC-BIC算法,用分类准确率衡量算法的性能。实验结果表明,TANC-BIC算法是有效的。

朴素贝叶斯及其扩展模型

反垃圾邮件技术已成为人们关注的一个焦点。基于贝叶斯理论的垃圾邮件过滤技术有着独特的优势,而其中的朴素贝叶斯模型具有算法简单、有效,易于实现等优点而成为最常用的模型。本文系统地介绍了朴素贝叶斯及其扩展模型的核心思想,并对朴素贝叶斯模型的发展作了大胆的预测,这对贝叶斯垃圾邮件过滤技术具有理论和现实的意义。

TANC-BIC结构学习算法的改进

基于概率的贝叶斯分类器以其简单的结构和良好的性能受到重视,树扩展朴素贝叶斯分类器TANC应用较广。用TANC-BIC结构学习算法构建的分类器取得了成功,但TANC-BIC结构学习算法未考虑类节点的情况。文中提出了一种新的结构学习TANC-CBIC算法。并在贝叶斯分类器实验平台MBNC上编程实现。实验结果表明,改进算法分类准确率要高于由TANC-BIC和TANC-CMI结构学习算法构建的分类器,TANC-CBIC结构学习算法是有效的。

基于BIC测度和遗传算法的TANC结构学习

树扩展朴素贝叶斯分类器(TANC)是实用性较强的一种分类器,其性能优于朴素贝叶斯分类器。现有的TANC结构学习算法有基于互信息测度的相关性分析方法和贝叶斯信息测度(BIC)的搜索打分方法。将遗传算法引入TANC结构学习,用BIC作为评价函数,提出了基于BIC测度和遗传算法的TANC结构学习算法GA-TANC,并以此构建分类器,用分类准确率衡量算法的性能。实验结果表明,GA-TANC算法有更高的分类准确率,从而说明GA-TANC结构学习算法是准确有效的。