贝叶斯信息标准在滑坡因子敏感性分析中的应用

滑坡因子敏感性分析是滑坡预测和治理的重要前提。以巫山县新址西区作为试验区,运用滑坡影响因素与历史滑坡之间建立的Logistic回归模型,通过贝叶斯信息标准进行模型优劣程度的比较,以期得出本区滑坡因子的敏感程度。设计了逐个加入影响因子进行非嵌套模型的优劣程度对比的试验方法。试验区滑坡因子敏感程度计算结果排队依次为:岩性、高程、距有影响构造线距离、坡度、坡向、坡形。试验为区域斜坡稳定性评价提供了一种新的、可靠的方法。

基于新型二进制自适应差分演化算法的贝叶斯网络学习

贝叶斯网络是处理不确定的专门知识和推理的最流行的方法,并广泛应用于大量研究领域。贝叶斯网络学习的主要策略是利用统计评分来选择最优网络的候选者。论文提出了基于新型二进制自适应差分演化算法的贝叶斯网络学习(BDENBAL),该方法采用一种自适应的0/1矩阵作为比例因子,并通过交叉和变异算子来实现贝叶斯网络的学习过程中的信息交换。然后根据贝叶斯信息标准(BIC)评分从网络空间中选择贝叶斯网络候选者。实验结果证明本文提出的方法具有优良的性能。

基于BIC与SVRM的变压器油中气体预测模型

基于v-支持向量回归机(v-SVRM)算法建立了变压器油中溶解气体变化预测模型,并引入贝叶斯证据框架对预测模型的参数进行了优化选取。同时,结合预测模型的预测正确率及预测模型的简洁度建立了预测模型的评价机制,并利用改进的贝叶斯信息标准(BIC)作为最终的评价函数量化了评价机制。在实例中与灰色理论预测模型进行了比较,结果表明在同为小样本训练数据的情况下,v-SVRM预测模型比灰色模型有更高的预测准确率,且在所提出的评价机制里表现更好。

某三级医院医院感染趋势分析

目的了解某三级医院各临床科室医院感染控制现状及发展趋势,为制定医院感染防控措施提供依据。方法采用轨迹分析模型对该院各临床科室2010—2012年医院感染数据进行分析。结果根据各临床科室医院感染率发展趋势,分为3个亚组:第1组占科室总数的80.7%,此组科室医院感染率较低,呈下降的发展趋势(slope=-0.45),差异有统计学意义(P=0.04);第2亚组占科室总数的16.0%,医院感染率较第1亚组高,总体也呈下降趋势(slope=-0.17),但差异无统计学意义(P=0.71);第3亚组只含重症监护室(ICU),医院感染率远高于其他科室,发展趋势为先上升后下降。结论轨迹分析模型可以较好地对临床科室进行分组,方便了解全院各科室的医院感染发展趋势,针对不同组科室医院感染特点,采取防控措施。

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。

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。

体重协方差函数分析最优模型的选择方法

为了得到考力代羊协方差函数分析的最佳模型和准确的参数估计,以便为考力代羊的选育提供参考依据,利用考力代羊的育种体重记录数据,分为4部分进行:第一,先在固定效应模型中,利用SPSS软件的GLM程序对模型中的固定效应进行筛选;第二,用DFREML软件的DFUNI程序进行单性状分析,利用对数约束似然函数最大值和似然比检验对模型中的随机效应进行筛选;第三,单性状分析的方差组分作为多性状分析的初始值,多性状分析的协方差组分作为协方差函数估计的初始值;第四,用DFREML软件的DXMRR程序进行协方差函数估计时,利用Araike和贝叶斯信息标准(AIC、BIC)对模型中效应的配合阶数进行筛选。结果表明,协方差函数分析模型中固定效应(b)为出生年份、出生月份、出生类型和性别;随机效应为个体加性遗传效应(a)和母体永久环境效应(c),且固定效应和随机效应的配合阶数依次为5、5、4时所得的协方差函数估值最佳。最佳模型为y=Xb+Za+Wc+e(e为误差方差)。