混合树增广朴素贝叶斯分类模型

树增广朴素贝叶斯分类算法(TANC)虽然降低了朴素贝叶斯分类算法(NBC)的条件独立性约束,但是该模型同时又要求每个条件属性结点(除树的根结点外)都有两个父结点,这种限制同样降低了分类的正确率。因此,提出了一种基于粗糙集理论的混合树增广朴素贝叶斯分类模型(MTANC)。通过在UCI数据集上的仿真实验,验证了该方法的有效性。

基于高斯混合模型的遥感影像连续型朴素贝叶斯网络分类器

提出了一种新的嵌入高斯混合模型(GMM,Gaussian Mixture Model)遥感影像朴素贝叶斯网络模型GMM-NBC(GMMbased Na ve Bayesian Classifier)。针对连续型朴素贝叶斯网络分类器中假设地物服从单一高斯分布的缺点,该方法将地物在特征空间的分布用高斯混合模型来模拟,用改进EM算法自动获取高斯混合模型的参数;高斯混合模型整体作为一个子节点嵌入朴素贝叶斯网络中,将其输出作为节点(特征)的中间类后验概率,在朴素贝叶斯网络的框架下进行融合获得最终的类后验概率。对多光谱和高光谱数据的分类实验结果表明,该方法较传统贝叶斯分类器分类效果要好,且有较强的鲁棒性。

大规模混合网络中基于朴素贝叶斯分类的TCP自适应鉴别器

针对有效区分分组丢失类别问题,提出了一种端到端多参数度量自适应拥塞控制算法——TCP-NBayes算法。首先根据混合网络下有线链路和无线链路分组丢失特性的不同选取特征参数。然后基于朴素贝叶斯理论建立区分无线随机丢失和拥塞丢失的鉴别模型。仿真实验表明该算法分类准确度最高可达95%,与其他算法相比,其友好性与公平性表现良好,对网络性能有很大的改善。

朴素贝叶斯分类器的改进

朴素贝叶斯分类器是一种简单而高效的分类器,但是它的属性独立性假设使其无法表示现实世界属性之间的依赖关系,以及它的被动学习策略,影响了它的分类性能。本文从不同的角度出发,讨论并分析了三种改进朴素贝叶斯分类性能的方法,为进一步的研究打下坚实的基础。

基于非下采样轮廓波变换和朴素贝叶斯分类器的织物缺陷检测

为检测织物生产过程中产生的缺陷,提出一种非下采样轮廓波变换(nonsubsampled contourlet transform,NSCT)和朴素贝叶斯分类器(naive Bayes classifier,NBC)相结合的缺陷检测算法.该方法分为2个阶段:学习阶段和检测阶段.在学习阶段,分别提取有缺陷和无缺陷织物的子块集合,首先利用NSCT进行滤波去噪;然后提取每个子块的广义高斯分布的混合(mixture of the generalized Gaussion distribution,MoGG)模型,并计算子块之间的相对熵(kullbackleibler divergence,KLD);最后利用得到的数据训练NBC.在检测阶段,将待检测图像分割成子块,利用经过训练的NBC检测子块,输出缺陷检测结果.实验结果表明,该算法对于灰度均匀织物及净色纹理织物的缺陷检测均具有良好效果,并且利用该算法可以检测出多种缺陷类型,检测精度可达到97%,能满足工业生产需求.

基于不同概率密度估计方法的朴素贝叶斯分类器

贝叶斯方法是分类技术中的一个较为基本的方法,通过贝叶斯法则以及相关性质推导出贝叶斯分类器,而引入属性条件独立性假设后,得到了朴素贝叶斯分类器,在不降低分类器性能的基础上降低了计算复杂度,在实际应用中更为简便。不同的概率密度估计方法对于每个属性条件概率的估计效果不同,对朴素贝叶斯分类器的性能也有所影响。在本文中提出了两种概率密度估计方法:核密度估计和混合高斯。这两种方法各有优势和不足,将其应用在实例中,选取苏东41-33区块下古气井的89口测井曲线作为研究数据,分别用核密度估计和混合高斯对训练数据进行概率密度估计,并用单高斯模型作为对照,然后用朴素贝叶斯方法对测试数据进行岩性分类,并统计不同概率密度估计方法下的分类其性能即准确率。

分布式传感器网络混合探测信号分类方法

针对分布式传感器网络的局限性特征,研究分布式传感器网络混合探测信号的分类算法。提出了基于属性重要度的贝叶斯分类算法,该算法继承了朴素贝叶斯分类算法结构简单、运算快捷的特点,同时弥补了类条件独立假设带来的缺陷,在实践中具有较高的分类精度,其特点符合混合探测信号的分类要求。实验结果表明,该算法分类效果优于同类分类算法,可以有效地完成混合探测信号的分类任务。

基于Python与MATLAB混合编程的文本分类应用案例设计

案例教学是重要的教学方法。利用朴素贝叶斯分类算法,以单词出现频率作为特征对文本进行分类。定义MATLAB函数以实现朴素贝叶斯分类器训练与文本分类功能,然后在Python程序中通过MATLAB引擎调用MATLAB函数。与Python调用NumPy第三方库的实现方法进行对比,发现使用混合编程实现文本分类器的错误率为4.5%,比单独使用Python实现的错误率降低了1.5%,但混合编程的程序执行效率不如单独使用Python的方法。将该文本分类应用案例用于Python或MATLAB课程教学,可更好地引导学生选择恰当的实现方法,培养学生的计算机应用能力。

一种基于Bernoulli混合模型的不完整数据文本分类方法

在Bernoulli混合模型和期望最大化(EM)算法的基础上给出了一种基于不完整数据的改进方法。首先在已标记数据的基础上通过Bernoulli混合模型和朴素贝叶斯算法得到似然函数参数估计初始值,然后利用含有权值的EM算法对分类器的先验概率模型进行参数估计,得到最终的分类器。实验结果表明,该方法在准确率和查全率方面要优于朴素贝叶斯文本分类。

基于混合分类算法模型的DNS隧道检测

分析了目前DNS隧道检测各种方法,重点研究基于机器学习技术的DNS隧道分类方法,针对目前DNS隧道检测只局限于特定隧道类别进行判别的不足,提出了采用多种分类算法进行组合分类决策的混合分类算法模型(CCAM)对DNS隧道进行检测与分类,CCAM算法采用了支持向量机(SVM)、朴素贝叶斯(NB)、决策树(DT)等3种机器学习分类算法进行混合分类、组合训练与加权求优。结果表明,混合分类算法模型(CCAM)对DNS隧道的检测能达到90%精度值。

一种基于动态贝叶斯网络的人体动作识别方法

针对人体动作识别过程中存在的效率及准确率问题,提出了一种基于混合贝叶斯网络模型的人体动作识别方法。通过Kinect采集人体动作RGB-D信息,采用OpenNi提取关节点信息并计算躯干角度,使用后验概率动态调整SVM分类器和朴素贝叶斯分类器权重,能够识别多种不同动作,使两个分类器互为补充,增加识别率。最后通过与单分类器的对比试验,验证了该算法具有更高的效率和识别率。

基于混合核函数支持向量机的顶板砂岩富水性研究

为了寻求一种能够较好地预测煤层顶板砂岩富水性等级的方法,以桑树坪煤矿为例,分别采用BP神经网络、K最近邻分类法、决策树和支持向量机算法对其顶板砂岩富水性进行预测。比较发现,基于支持向量机的预测模型准确率最高为87.5%,节点错误率最低,优于其他3种模型。为了进一步提高模型预测准确率,建立了煤层顶板砂岩富水性的混合核函数支持向量机预测模型,当λ_1=0.05与λ_2=0.95时预测准确率达到100%。研究结果表明,以条件属性作为输入、决策属性作为输出的混合核函数支持向量机预测模型能较好地预测煤层顶板砂岩富水性等级,效果较好。

融合因果推断的动态可解释知识追踪模型

可解释知识追踪对于教学诊断和优化具有重要意义。目前代表性的可解释知识追踪模型缺乏对知识点间因果关系的深入考量,同时未能关注模型中存在的特征混淆问题,影响预测性能。针对上述问题,提出一种融合因果推断的动态可解释知识追踪模型。首先利用因果推断算法挖掘知识点间掌握程度上的因果关系,并制定规则辨别因果效应强度,挖掘得到知识点因果效应特征图,并从中提取知识点外延影响因子特征,作为学生答题正确性预测的特征之一;其次,基于领域知识构建学习能力、习题难度和作答正确率之间的结构因果模型,采用后门调整的方法去除混杂因子的影响;然后,以迭代的方式进行学习能力和答题偏好特征的动态更新;最后,借助树增广朴素贝叶斯分类器实现可解释性知识追踪。在多个公开的数据集上进行实验验证表明,所提模型在保证可解释性的同时可提高预测准确性。