一种基于Bayesian分类器的SSH网络隐蔽信道检测方法

隐蔽信道是一种能够以难以察觉的方式泄漏信息系统机密信息的通信方式。网络隐蔽信道是信息安全领域的研究热点,对保护网络数据安全以及于云计算平台数据安全至关重要。提出一种基于SSH数据包间隔时间的网络时间隐蔽信道实例;基于SSH协议的时间间隔特征,设计一种基于Bayesian分类器的检测方法;实验结果证明该检测方法能够达到95%的准确率,具有很好的检测性能。

朴素贝叶斯网分类器在认知诊断中的应用

朴素贝叶斯网分类器是贝叶斯分类器的一种,文章将其应用到现代教育测量的认知诊断分类中,对0,1计分下的认知诊断进行了实验,并与认知诊断中典型的分类方法进行了比较。实验结果表明,利用贝叶斯网分类器分类效果明显占优。

基于贝叶斯网的分类器及其在CRM中的应用

基于贝叶斯网的分类器因其对不确定性问题有较强的处理能力,因此在CRM客户建模中有其独特的优势。在对朴素贝叶斯分类器、通用贝叶斯网分类器优缺点分析的基础上,引入增强型BN分类器和贝叶斯多网分类器,详细介绍了后者的算法,并将其应用到实际电信CRM客户建模中,取得较好的效果。

基于BP网的雷达辐射源分类器设计

为了提高侦察告警设备中雷达辐射源识别模块的正确识别率，设计了一种基于BP（Back Propagation）网络的雷达辐射源分类器，并就设计关键点——分类器拓扑结构、训练次数的确定以及训练集的设计进行了研究。分类器以BP网络为基础，以载频、脉宽、重频和天线扫描方式为输入特征向量对雷达辐射源进行分类。实验结果证明，该分类器能够对6种不同功能的雷达进行较好的分类，

信度网分类器

分类问题是人工智能中机器学习研究的一个重要问题 ,它在模式识别、故障诊断以及数据挖掘等领域有着广泛的应用。利用信度网可以构造出分类性能更好的分类器。文章着重探讨了NaiveBayes分类器 ,增强的NaiveBayes分类器和通用信度网分类器的构造方法 ,并分析比较了这三类分类器的优缺点。

基于BP网的雷达辐射源分类器设计

为了解决侦察告警设备在强噪声背景下的雷达辐射源识别率较低的问题,设计了一种基于BP(Back Propagation)网络的雷达辐射源分类器,并就设计关键点——分类器拓扑结构、训练次数的确定以及训练集的设计进行了研究。分类器以BP网络为基础,以载频、脉宽、重频和天线扫描方式为输入特征向量,对雷达辐射源进行分类识别。仿真实验结果证明,该分类器在强噪声背景下的正确识别率可达92.4%。

一种基于最小风险检测ART网分类器的设计与人脸识别

本文通过对传统的自适应共振网络(ART)的研究,分析了其优缺点及应用领域,在此基础上提出了一种适合训练样本数较少、样本特征值维数较高的图像目标分类的最小风险检测 ART 网络,并重点讨论了该网络在结构上的改进和运行原理,以及基于该网络的分类器的设计及其算法实现过程。通过对 ORL 人脸库和 Yale 人脸库的图像样本仿真结果表明,应用该分类方法进行人脸图像分类识别,同时获得了较高的分类速度和分类效果。

多S型前馈网分类器及其在毒性识别中的应用

设计了一种新颖的、表达能力很强的多S型函数,以其作为单输出神经元的活化函数所构建的多S型前馈网(MS-FN)分类器,结构简洁,训练速率高,由此建立的多分类模型有很强的判别能力,且具有优良的泛化性和稳定性.还推导了相应的Levenberg-Marquart(LM)训练算法,并应用于胺类有机物急性毒性的定量构效关系,所建模型样本预报正确率高.实例表明MS-FN分类器是化学模式识别的一种有效工具.

基于多重分类器模型的微网短期负荷预测

受电力负荷时间变化规律以及气象、节日等因素的影响,微网孤岛运行负荷极具不确定性。如何保证微网系统能够较准确捕捉负荷需求的变化,提高微网系统对负荷变化的跟踪能力,对微网运行的安全性和稳定性及供电质量都具有重要意义。将神经网络与分类器概念相结合,构成多重分类器系统,对微网进行短期负荷预测,仿真实验证明其对负荷用电值预测的准确度明显高于单一分类器系统。

基于K均值聚类与Bayesian分类器的车型识别方法

不同车型经过感应线圈时,线圈检测器采集过来信号变化的波形不同,同类车型对应采集的波形中如波峰极大值、峰值位置、平均值、波峰数等特征值都具有相似性。根据感应线圈采集所得信号的特点,讨论了一种基于K均值聚类与Bayesian分类器的车型识别方法。学习训练中,通过K均值聚类算法把不同波形的特征值归类,再采用Bayesian分类器算法去获得分类器。实验结果表明,该方法具有较高的车型识别精度。

基于贝叶斯网的分类器及在CRM中的应用

基于贝叶斯网的分类器因其对不确定性问题有较强的处理能力,因此在CRM客户建模中有其独特的优势。在对朴素贝叶斯分类器通用贝叶斯分类器优缺点分析的基础上,引入增强型BN分类器和贝叶斯多网分类器,详细介绍了后者的算法,并将其应用到实际电信CRM客户建模中,取得较好的效果。

基于遗传算法的Bayesian网结构学习研究

从不完备数据中学习网络结构是 Bayesian网学习的难点之一 ,计算复杂度高 ,实现困难 .针对该问题提出了一种进化算法 .设计了结合数学期望的适应度函数 ,该函数利用进化过程中的最好 Bayesian网把不完备数据转换成完备数据 ,从而大大简化了学习的复杂度 ,并保证算法能够向好的结构不断进化 .此外 ,给出了网络结构的编码方案 ,设计了相应的遗传算子 ,使得该算法能够收敛到全局最优的 Bayesian网结构 .模拟实验结果表明 ,该算法能有效地从不完备数据中学习 .

基于遗传算法的动态Bayesian网结构学习的研究

动态Bayesian网是复杂随机过程的图形表示形式 ,从数据中学习建造动态Bayesian网是目前的研究热点问题 .本文针对该问题提出了一种遗传算法 .文中设计了结合数学期望的适应度函数 ,该函数利用进化过程中的最好动态Bayesian网把不完备数据转换成完备数据 ,使动态Bayesian网的学习分解为两个Bayesian网 (初始网和转换网 )的学习 ,简化了学习的复杂度 .此外 ,文中给出了网络结构的编码方案 ,设计了相应的遗传算子 .模拟实验结果表明 ,该算法能有效地从不完备数据序列中学习动态Bayesian网 。

Bayesian网中概率参数学习方法

Bayesian网已经成为AI领域的研究热点 ,并在现代专家系统、诊断系统及决策支持系统中发挥着至关重要的作用 .Bayesian网的研究主要集中在三个方面 :知识表示、学习与推理 .概率知识是Bayesian网坚实的数学基础 ,从数据中学习分布参数使得Bayesian网逐步走向现实应用 .本文介绍和比较了概率参数学习的各种常用方法 ,并探求了它们在不同应用背景下的优缺点 .基于经典统计学的方法理论成熟 ,计算简单 ,但它只利用了实例数据集合所提供的信息 ,无法加入专家知识 ,对实例数据的依赖性大 ;基于Bayesian有机结合了两类信息 ,对实例数据的依赖性降低 ,学习结果更加准确 .参数学习是Bayesian网学习的基础 ,是Bayesian网结构学习必不可少的部分 .

基于遗传算法的Bayesian网中连续变量离散化的研究

文中对如何从含有离散变量和连续变量的混合数据中学习 Bayesian网进行了研究 ,提出了一种基于遗传算法的连续变量离散化算法 .在该算法中给出了兼顾离散模型准确度和复杂度的适应度函数 ;并基于对离散化的实质性分析 ,定义了离散策略等价的概念 ,由此制定了离散策略的编码方案 ;进一步设计了变换离散策略的遗传算子 .该算法不存在局部极值问题 ,且不需要事先给定变量序关系 .模拟实验结果表明 ,该算法能有效地对连续变量离散化 ,从而使得从混合数据中学到的 Bayesian网具有较好性能 .

基于遗传算法的Bayesian网结构增量学习的研究

已建成的Bayesian网与领域环境间可能存在较大偏差,加之领域本身固有的动态变化特性,因此在观察到新数据时,改善Bayesian网的性能和优化网络结构是十分必要的.提出了一种基于遗传算法的Bayesian网(包含结构和参数)求精算法.该算法基于上次的求精结果把已有的不完备数据转化成完备数据,以期望充分统计因子作为已有数据的主要存储形式,基于本次求精过程中的当前最佳个体对新数据进行完备化,并由遗传操作综合利用新数据和已有数据进行求精.模拟实验结果表明,该增量学习算法能较有效地从不完备数据中求精Bayesian网.

Web网页信息文本分类的研究

面对海量的信息如何挖掘出有用的知识是当前研究的热点问题,对Web文本进行分类预处理,可在一定程度上解决此问题。针对Web文档的多主题特性,采用了多分类器模型,根据Web文档具有结构信息的特点,提出了系统的分类框架,对于短小文档采用Boosting和Web文档结构Bayesian分类模型,而对于长文档采用Boosting和综合Bayesian分类模型。实验结果表明,此分类框架具有较好的分类效果。

由Markov网到Bayesian网

Markov网 (马尔可夫网 )是类似于 Bayesian网 (贝叶斯网 )的另一种进行不确定性推理的有力工具 .Markov网是一个无向图 ,而 Bayesian网是一个有向无环图 .发现 Markov网不需要发现边的方向 ,因此要比发现Bayesian网容易得多 .提出了一种通过发现 Markov网得到等价的 Bayesian网的方法 .首先利用信息论中验证信息独立的一个重要结论 ,提出了一个基于依赖分析的边删除算法发现 Markov网 .该算法需 O(n2 )次 CI(条件独立 )测试 ,CI测试的时间复杂度取决于由样本数据得到的联合概率函数表的大小 .经证明 ,假如由样本数据得到的联合概率函数严格为正 ,则该算法发现的 Markov网一定是样本的最小 I图 .由发现的 Markov网 ,根据表示的联合概率函数相等 ,得到与其等价的

Bayesian网推理中的化简方法

针对Bayesian网的一般推理是NP难的,在很多情况下,具体查询时简化Bayesian网结构可以明显减少计算量的特点.提出一种可以实现这种策略的3个操作:分离、替换和遍历.实验表明,这种策略一般可以提高计算效率,有时会有明显作用.

Bayesian网知识推理在ITS学习推荐中的应用研究

提出了一种基于Bayesian网的知识推理网络和知识推理算法,该算法利用Bayesian知识推理网和Bayesian概率公式,从现有学习资源库和教学方法库中推荐出最符合学生特征的k种学习资源和k种教学方法,从而实现ITS的智能学习推荐功能。