面向土地利用分类的多源遥感数据混合贝叶斯网络分类器

传统的离散型贝叶斯网络分类器是将所有变量视为离散变量,或对连续变量做离散化处理。可是离散化不可避免地存在信息损失,且在多源遥感数据的处理和分析中,连续变量的离散化会导致搜索空间的急剧增加和计算及存储量的极大开销。针对这些问题,开发了一种面向土地利用分类的多源遥感数据混合贝叶斯网络分类器,该分类器首先对问题领域的所有变量做正态分布检验,同时将满足高斯分布假设的变量不做离散化而视为连续变量;然后对离散变量和连续变量分别进行参数学习,最后进行参数合并,再用于贝叶斯网络的推理和分类中。通过福州市区土地利用分类的实验表明,该模型优于传统的离散型贝叶斯网络分类器,具有一定的研究和应用价值。

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。

基于贝叶斯衍生分类器的社交网络用户影响力评价模型

为了防止社交网络中的负面信息快速传播,则需要通过评价社交网络中用户的影响力来找出影响力大的社交网络节点。针对传统算法在社交网络领域中交叉特性缺失的问题,结合高斯贝叶斯衍生分类器,提出一种网络用户影响力评价模型。该模型结合用户活跃度、用户联系度、用户覆盖度等维度,建立社交网络用户影响力刻画指标,同时考虑社交网络用户之间的关系特征和用户自身的行为特征,降低僵尸粉和垃圾社交网络对网络评价结果的影响,通过建立连续属性朴素贝叶斯分类器方法,提出基于高斯贝叶斯衍生分类器的模型求解方法。使用新浪微博中152059423条媒体报纸用户评论作为实验数据,分析影响该评价模型的关键因素,利用仿真软件完成和HRank等传统模型对比实验,结果表明,该模型体现了社交网络用户的交叉特性,提升了模型的实用性,相比于其他传统算法,该模型分类误差更趋于稳定,分类结果的误差率更低,适应性更好。

基于贝叶斯网络分类器的变压器综合故障诊断方法

鉴于电力变压器故障诊断中的信息和知识具有随机性和不确定性的特点,利用贝叶斯网络表达知识灵活、分析处理不确定性与关联性问题能力强的优点,本文提出了一种基于贝叶斯网络分类器的以溶解气体分析为主结合其他电气试验结果的变压器综合故障诊断方法,并建立了变压器朴素贝叶斯网络故障诊断模型和TAN故障诊断模型。文中详细阐述并验证了该方法解决信息不完备问题的优越性。该模型还可以通过不断积累完善训练样本,自动修正网络结构参数和概率分布参数,提高诊断效果。实例验证表明了该方法的有效性。

基于贝叶斯网络的分类器研究

研究了贝叶斯分类器家族中具有代表性的分类器,即朴素(naive)贝叶斯分类器、贝叶斯网络分类器和TAN(treeaugmentednaiveBayesian)分类器;发现属性变量之间的依赖相对于属性变量与类变量之间的依赖是可以忽略的,因此在所有树形分类器中TAN分类器是最优的.

主动贝叶斯网络分类器

在机器学习中 ,主动学习具有很长的研究历史 .给出了主动贝叶斯分类模型 ,并讨论了主动学习中几种常用的抽样策略 .提出了基于最大最小熵的主动学习方法和基于不确定抽样与最小分类损失相结合的主动学习策略 ,给出了增量地分类测试实例和修正分类参数的方法 .人工和实际的数据实验结果表明 。

基于朴素贝叶斯分类器的网络安全态势评估方法

针对目前网络安全态势评估范围局限、信息来源单一、时空复杂度较高且准确性偏差较大等问题,提出了一个朴素贝叶斯分类器的网络安全态势评估方法,充分考虑了多信息源与多层次异构信息融合,具有快速高效性,从整体动态上展示出网络当前安全状况,准确地反映了网络当前安全态势。最后利用网络实例数据,对所提出的朴素贝叶斯分类器的网络安全态势评估模型和算法进行了验证,实验结果表明了所提方法的正确性。

基于类约束的贝叶斯网络分类器学习

分类能力是人类经过学习得到的重要而基本的能力 ,也是机器学习、模式识别和数据采掘研究的核心问题 .在0 - 1损失率下 ,证明了基于类约束的贝叶斯网络分类器是最优分类器 .建立该分类器的核心问题是基于类约束属性贝叶斯网络结构学习 ,给出了学习属性贝叶斯网络结构的方法 ,在学习过程中使用了根据弧方向因果语义确定边方向的方法 ,并和碰撞识别定向相结合 ,在边定向之后进行冗余弧检验 ,解决了目前冗余边检验在定向之前所导致的问题 ,显著提高了结构学习效率和准确性 .并使用模拟数据进行了分类实验和分析 .

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。

基于高斯Copula的约束贝叶斯网络分类器研究

具有连续属性的分类问题普遍存在,目前主要采用两种方法来处理连续属性:一种是将连续属性进行离散化;另一种是基于高斯函数或高斯核函数来估计属性密度.连续属性的离散化可能导致信息丢失、引入噪声和类对属性的变化不够敏感等问题,而高斯函数和高斯核函数在属性密度估计中各有优势与不足,但它们具有很强的互补性.该文依据Copula和贝叶斯网络理论,结合高斯Copula密度函数、引入平滑参数的高斯核函数和以分类准确性为标准的属性父结点贪婪选择,建立连续属性约束贝叶斯网络分类器,既可以避免连续属性离散化所带来的问题,又能够实现高斯函数和高斯核函数在属性密度估计方面的优势互补.分别采用真实数据和模拟数据进行实验,结果显示,使用结合边缘高斯核函数的高斯Copula估计属性密度的约束贝叶斯网络分类器具有良好的分类准确性.

基于条件对数似然函数导数的贝叶斯网络分类器优化算法

通常基于鉴别式学习策略训练的贝叶斯网络分类器有较高的精度,但在具有冗余边的网络结构之上鉴别式参数学习算法的性能受到一定的限制.为了在实际应用中进一步提高贝叶斯网络分类器的分类精度,该文定量描述了网络结构与真实数据变量分布之间的关系,提出了一种不存在冗余边的森林型贝叶斯网络分类器及其相应的FAN学习算法(Forest-Augmented Nave Bayes Algorithm),FAN算法能够利用对数条件似然函数的偏导数来优化网络结构学习.实验结果表明常用的限制性贝叶斯网络分类器通常存在一些冗余边,其往往会降低鉴别式参数学习算法的性能;森林型贝叶斯网络分类器减少了结构中的冗余边,更加适合于采用鉴别式学习策略训练参数;应用条件对数似然函数偏导数的FAN算法在大多数实验数据集合上提高了分类精度.

条件贝叶斯网络分类器及其在产品故障率等级分类中的应用

针对传统贝叶斯网络分类器模型的不足,提出了一种基于条件贝叶斯网络的分类器模型。通过分析贝叶斯网络模型给定目标变量时各特征变量间的条件独立关系,充分利用其关联关系,为解决分类问题提供了一条有效途径。在此基础上,提出了基于条件贝叶斯网络分类器模型的建模方法用于指导实际模型建立和应用。实例分析结果表明,条件贝叶斯网络与其他的贝叶斯网络分类器及传统的决策树C4.5分类器相比,在提高分类器分类精度的同时降低了网络模型结构复杂度。

基于贝叶斯网络分类器的产品故障率分类研究

针对装备在不同配置及使用环境的条件下运行的故障率等级差异,详细介绍并分析了现有各贝叶斯分类器的特点和构建算法。在此基础上,提出了基于贝叶斯网络的产品故障分类模型建模方法用于指导实际分类任务的模型建立和应用。通过法国某装备生产企业的实例分析,实验结果证明在所有的贝叶斯网络分类器及传统的决策树C4.5分类器中,树型朴素贝叶斯分类器能够取得最好的分类效果,并为后续的维修资源配置及产品运行能力优化提供有效的理论支持。

基于贝叶斯网络理论的TAN分类器无向依赖扩展

基于贝叶斯网络理论 ,对 TAN分类器进行无向网络依赖扩展 ,把属性变量之间的树结构扩展成可分解马尔科夫网络 ,使经过依赖扩展得到的分类器能够充分利用属性变量之间的依赖信息 ,提高分类能力 ,并能够通过调节阈值大小避免过度拟合 .

经济周期转折点预测的动态贝叶斯网络分类器模型

针对现有的经济周期波动转折点预测方法侧重静态函数依赖,或者强调动态序列的时间传递,不能将两方面信息有机结合的情况,给出了经济周期波动转折点预测的动态朴素贝叶斯网络分类器模型,并在此基础上,通过增加隐藏变量层建立了层次动态朴素贝叶斯网络分类器模型,该模型更加灵活、实用和可靠,可广泛用于网络时间序列的预测。

基于预测能力的贝叶斯网络分类器学习

分析了贝叶斯分类器家族中有代表性的分类器;给出变量之间预测能力的概念及估计方法,在此基础上建立了基于变量间预测能力的贝叶斯网络分类器结构学习方法,并使用UCI数据进行分类实验。实验结果显示,该方法能够有效地进行贝叶斯网络分类器学习,使得贝叶斯网络分类器倾向于简单化,具有较强的分类能力。

基于粗糙集属性约简与进化算法的贝叶斯网络分类器

提出一种新的学习无约束贝叶斯网络分类器的算法(RE-BNC).该算法基于粗糙集理论,在保证分类精度不变的前提下,先对冗余属性变量进行约简,降低属性变量维数,然后构建一个无约束优化模型用来学习较好的初始种群,降低搜索空间,再结合进化算法学习分类器的网络结构.与其他常见的8种分类器算法相比较,实验结果表明该算法设计合理,且分类效果较好.

基于捕食逃逸PSO的贝叶斯网络分类器

构造精确的贝叶斯网络分类器已被证明为NP难问题,提出了一种基于捕食逃逸粒子群优化(PSO)算法的通用贝叶斯网络分类器,能有效避免数据预处理时的属性约简对分类效果的直接影响,实现对贝叶斯网络结构的精确学习和搜索。另外,将所提出的分类器应用于高职院校就业预测分析,并在Weka平台上实现对该分类器的构建和验证,与其他几种贝叶斯网络分类器的对比实验结果表明,该分类器具有更好的性能。

贝叶斯网络分类器结构与变量分布的差异性分析

为了提高鉴别式学习策略训练的贝叶斯网络分类器的分类精度,分析了贝叶斯网络结构与数据中变量分布之间的差异对贝叶斯网络分类器性能的影响,实验以网络结构的实际联合概率分布的树型近似描述为基准,删除在条件对数似然函数极大化过程中不起作用的边,生成具有同一联合概率分布的不同描述程度的网络结构.实验结果表明,只有当网络结构表现力不足时,鉴别式参数学习才能起积极作用;而当网络结构中有多余的边时,反而容易受其制约.从而验证了网络中多余的边对分类器性能没有影响的观点是片面的.

多维贝叶斯网络分类器结构学习算法

传统多维贝叶斯网络分类器(MBNC)限制其模型结构必须是二分的,通过移除该限制可得到更准确的对关联分布建模的通用MBNC(GMBNC)。基于局部马尔可夫毯的迭代搜索,提出可准确学习GMBNC的算法IPCGMBNC。该算法由于无需学习全局贝叶斯网络(BN),可扩展性强。基于已知贝叶斯网络模型而随机生成的数据上所执行的实验显示,IPC-GMBNC可有效推导出目标结构;而且与传统的全局结构学习算法PC相比,IPC-GMBNC可节省大量的计算量。