基于最小错误率与最小风险的贝叶斯分类比较与研究

在智能决策领域,针对分类决策一直是热点问题,本文通过分析贝叶斯的基本理论和内涵,分析出在分类决策中可以有基于最小错误和最小风险两种决策方式,对两种方式进行比较,从中发现两种方式的本质区别和内在联系,把两种决策模式进行融合,形成更科学的贝叶斯决策方式。

贝叶斯最小错误率在水下焊缝识别中的应用

利用贝叶斯最小概率决策寻找V形焊缝左右边的数据点,即以一个特征观测量x1表示从左向右连续的高度位置逐渐降低的25个以上的白点,满足这一特征数据的概率大约为0.3,且以w1表示V形焊缝左边数据的类。连续扫描高度为20个像素、宽度为30个像素的小区域,为简单起见,以该区域内获得的白点数除以30作为x1的类条件概率密度,通过计算x1关于w1的后验概率,如果大于0.8,则把这些点归为V形焊缝的左边这一类别,从而对左边采用最小二乘法进行拟合,同理对V形焊缝右边的数据进行识别,并进行拟合。

正态分布下最小错误率的变量喷施贝叶斯决策

传统农田除草采用田间统一定量均匀喷洒,导致了除草剂浪费和环境污染问题。智能变量喷施能够保护环境和提高作物产量,是促进农业可持续发展战略的重要途径。为此,对经典的杂草监测参数进行改进并提出了正态分布下最小错误率的贝叶斯决策以实现精确变量喷施。首先对农田图像进行灰度化、二值化及去噪等预处理;然后依据作物行中心线对农田图像进行网格单元的划分,并在网格单元格内提取改进的杂草监测参数;最后将贝叶斯决策分为两个阶段:线下阶段利用改进的杂草监测参数数据库计算正态分布参数,线上阶段根据改进的杂草监测参数实现正态分布下最小错误率的贝叶斯决策,从而为变量喷施提供决策依据。实验结果表明:正态分布下最小错误率的贝叶斯决策正确率可达92%,与BP算法和SVM算法相比决策正确率相对较高。

基于贝叶斯最小错误率的一种语音端点检测算法

提出一种基于贝叶斯最小错误率的语音端点检测算法.说明短时平均幅度和短时平均过零率两种语音特征的选取方法,根据最小错误率的贝叶斯决策分别确定了合适的门限值,并将该方法在作者建立的语音数据库中进行了语音起点和终点测试.实验结果证明,与仅用幅度或能量特征的方法相比,本文方法能够提高语音端点检测的准确性.

最小总风险准则的贝叶斯网络个人信用评估模型

将最小总风险准则MOR与贝叶斯网络分类器相结合,提出了一种新型信用评估模型。在两个真实数据集上以MOR用10层交叉验证对贝叶斯网络信用评估模型进行了测试,并与最小错误概率准则MPE的贝叶斯网络分类器的结果进行了对比。结果表明,基于MOR的贝叶斯网络分类模型可以有效地减小信用评估风险。

基于改进最小最大准则的分类器设计研究(英文)

主要探讨先验概率未知情况下的分类器设计问题。为了解决传统的最小最大分类器性能有限的不足,提出了基于分段线性化的分类器设计方法。方法不仅是最小最大准则的改进,而且也是最优贝叶斯分类器的更好近似。通过说话人识别的应用,验证了所提出算法的有效性。

基于贝叶斯决策及半监督聚类的织物图像分割

为提高纺织CAD技术,依据半监督聚类理论,提出一种以最小错误率贝叶斯决策为准则的半监督聚类的织物图像分割算法。这种算法利用有限的人工信息,即在织物图像上点击有限的几个点以标识相应区域之间的关系,从而得到满足用户给定限制的织物图像分割结果。用该算法首先对织物图像进行量化转换处理,而后在贝叶斯模式识别中集成先验的分割信息进行色彩聚类。实验结果表明,该算法用于织物图像分割是可行的。

采用信息理论准则的信号源数估计方法及性能对比

为了从机械系统观测混合信号中有效评估信号源的数目,以及解决数据点较大时贝叶斯信息准则(BIC)难以计算的问题,在剖析了3种信源数目估计准则(赤池信息准则(AIC)、最小描述长度(MDL)以及贝叶斯信息准则(BIC))的原理和算法的基础上,提出了基于对数函数修正的改进贝叶斯准则(IBIC)。该准则利用对数运算将BIC目标函数中的多参数指数运算转换为乘积运算,在不降低计算精度的条件下,显著改善了BIC准则的计算效率和工程应用性能。仿真实验分析表明:AIC与MDL具有近似的源数估计性能,对非线性调制成分非常敏感;从能量角度分析,提出的新准则容忍非线性调制成分(非线性调制信号能量占观测信号总能量)能量比为5.15%,较AIC(0.07%)与MDL(0.08%)具有更好的鲁棒性能。壳体结构试验台声源数目估计实验表明,3种方法均可有效评估声源数目。本研究对于模态阶数选择、系统复杂度分析以及基于机械系统信号源分离的状态监测与故障诊断具有学术意义和工程应用价值。

类相关性影响可变选择性贝叶斯分类器

在最大相关最小冗余(mRMR)属性选择方法的基础上,通过设置一个调节因子来改变类别相关性在属性选择中的影响程度,解决mRMR方法易于引入冗余属性的问题,提出一种类相关性影响可变选择性贝叶斯分类器(CCRI SBC).为克服人为指定属性个数易于导致的分类结果随意性,采用贝叶斯信息准则来自动确定最优属性个数.为使CCRI SBC能够处理含有连续变量的数据集,提出等频类别依赖最大化离散化方法,具有分类准确率高和离散化时间短的优点.UCI数据集的实验结果表明,本文方法能够有效处理离散和连续高维数据的分类问题.

灵活的增强朴素贝叶斯分类器

提出了一种新颖的基于最小描述长度(Minimum Description Length,MDL)准则的灵活的增强朴素贝叶斯分类器(Flexible Augmented Naive Bayesian classifier,FAN)算法.该算法能够根据数据集自适应地匹配从朴素贝叶斯分类器(Naive Bayesian classifier,NB)到树增强朴素贝叶斯分类器(Tree Augmented NaiveBayesian classifier,TAN)的网络结构,且保持了TAN计算简单和鲁棒性的特点.在UCI数据集上用分层交叉验证的方法对NB、TAN、FAN算法进行测试,实验结果表明FAN算法具有良好的分类精度.

信号估计中的贝叶斯方法及应用

贝叶斯估计理论在图像处理领域有广泛的应用.结合图像去噪问题,讨论了贝叶斯最大后验概率估计技术,并推导了信号的最小均方误差估计;在此基础上,提出了一种利用后验均值准则推导维纳滤波表达式的方法.

基于贝叶斯LS-SVM的海洋生物酶发酵过程软测量建模

针对海洋生物酶发酵过程关键生物参数(如基质浓度、菌体浓度等)难以实现直接在线测量的问题,提出了一种基于贝叶斯准则的最小二乘支持向量机(LS-SVM)软测量建模方法。以典型的海洋生物酶——海洋蛋白酶为研究对象,在分析海洋蛋白酶发酵过程机理的基础上,确定了发酵过程软测量模型的辅助变量和主导变量。考虑到在LS-SVM建模中,正规化参数和核参数的优化是建模的难点,采用贝叶斯准则对LS-SVM参数进行优化,进而建立了基于贝叶斯准则的LS-SVM软测量模型。仿真验证结果表明,该模型比传统的LS-SVM具有更高的预测精度和泛化能力。

基于Adaboost与贝叶斯决策的系统状态评估

本文针对工业系统运行状态设计评估方法。首先以整个系统中某个子系统的传感器组群信号作为输入,训练自适应增强(Adaboost)分类器,得到该子系统多种假定工作状态分类结果。之后以子系统状态分类结果作为贝叶斯决策(Bayesian Decision)的依据,运用最小错误率(Minimum Error Ratio)原理估计整个系统状态。实验采用仿真形式,以多组模拟传感器信号作为输入,完成系统评估过程。

基于贝叶斯理论的指挥引导决策研究

为提高对战场态势判断的准确性,从而提升指挥引导战斗机的效率,提出运用贝叶斯方法对敌机态势进行估计的方法。首先介绍了贝叶斯决策的基本原理、基于最小错误率的贝叶斯决策规则,以及基于最小风险的贝叶斯决策规则。其次,对两种决策规则分别进行仿真,在情况不明的状态下,可以得到比较合理的决策结果。最后说明了在判明战场态势的情况下如何进行指挥引导解算。

贝叶斯决策分析在医学步态分析中运动目标检测的应用研究

针对医学步态分析中的运动目标检测问题,提出基于最小错误率的贝叶斯决策规则的方法。该方法由变化检测、变化分类、前景目标提取和背景更新四部分组成。变化检测采用自适应阈值法来二值化变化点和非变化点,变化分类基于颜色共生特征向量,采用贝叶斯规则进行决策,前景对象的提取融合了时间差分法和减背景法。针对复杂场景中背景的"渐变"和"突变"情况,提出不同的背景更新策略。实验表明,该方法和包含有摇动的树枝或者灯的开关等复杂背景中能准确地提取运动目标,因此可用在医学步态分析的研究中。

贝叶斯网络在用户信用评估中的应用研究

为了弥补传统朴素贝叶斯分类器在实际应用中代价不敏感的缺点,基于最小风险准则构建朴素贝叶斯模型和树增强朴素贝叶斯网模型,通过预先设置损失矩阵,分类器可以区分各种误判情形产生的代价,利用1 000条德国信用卡样本数据进行实验。研究发现,在以损失最小为导向的用户信用评估方面,基于最小风险准则构建分类器产生的总损失更小,综合性能更好;在分类性能上,简单的朴素贝叶斯模型可与复杂的基于爬山算法建立的贝叶斯网络模型相媲美;从整体经济效益看,朴素贝叶斯模型更胜一筹。

基于典型相关分析的变化检测中变化阈值的确定

以东营市为例 ,把基于典型相关分析的方法运用于多时相遥感影像的变化检测中。对于变化阈值的确定 ,采用了一种基于贝叶斯理论的最小错误率的方法。这种方法实质上是一种非监督分类的方法 ,即不需要地面实况数据或其它先验知识 ,直接对典型相关处理后的差值图像进行分析计算得到阈值 ,使变化检测的错误率达到最小。实验结果证明了这种方法的有效性。

基于BIC和G_PLDA的说话人分离技术研究

传统的以贝叶斯信息准则(Bayesian information criterion,BIC)作为相似性度量的说话人分离技术,在短时对话的分离任务中能取得较好的效果,但是随着对话时长的增加,BIC的单高斯模型不足以描述不同说话人数据的分布,且层次聚类(Hierarchical agglomerative clustering,HAC)时,区分相同说话人和不同说话人的门限值难以划定.针对此问题,提出基于短时BIC和长时G_PLDA的融合方法,充分利用BIC在短时聚类的可靠性和G_PLDA在长时段上的优异区分性,在美国国家标准技术局(NIST)08Summed测试集上的实验表明,该方法将分类错误率(DER)从BIC基线系统的2.34%降到1.54%,性能相对提升34.2%.

静止背景的视频对象分割

根据视频图像的前景与背景的统计特征,提出了一种基于静止背景的最小错误率的贝叶斯决策理论的视频对象分割算法。在TI公司TMS320C6711 IDK(ImagingDeveloper's Kit)上的实验结果表明,该算法能够实现视频序列中每一帧的前景与背景较好的分离,基本能够满足视频编码标准MPEG-4的应用要求。

基于灰度共生矩阵纹理特征的SAR影像变化检测方法研究

利用灰度共生矩阵提取SAR影像的纹理特征,分析灰度共生矩阵的原理、特征向量以及特征参数的确定。利用对数比值算子构造差异影像,通过比较发现基于反差的差异影像更能突出变化信息。选择基于反差的差异影像作为变化检测的基准,由于其影像符合高斯混合模型,利用期望最大(EM)算法对高斯混合模型进行参数估计。最后利用贝叶斯最小错误率进行变化信息的提取,与基于像元灰度值的变化检测结果进行比较,试验证明基于灰度共生矩阵纹理特征的变化检测方法虚警率更低、漏检率更低、总体误差更小,具有更好的检测效果。