基于Copula贝叶斯分类器与改进YOLOv5网络的手势识别研究

手势识别是通过识别人类手势并结合相关算法实现对手势语义分类的一项议题,在智能建筑、机器控制、新型人机交互、辅助驾驶等领域应用十分广泛,因此,手势识别具有重要研究意义。该文提出在YOLOv5目标检测网络引入注意力机制,以解决YOLOv5目标检测网络特征差异不敏感问题;此外,利用Copula模型改进朴素贝叶斯分类器,以解决图片分类精度缺失问题。实验结果表明:该文提出的Attention-YOLOv5检测网络比原网络在准确率和召回率上都有显著提升,基于Copula理论改进的贝叶斯分类器在准确率上显著高于朴素贝叶斯分类器。

基于贝叶斯分类器的船舶型材优化设计

船舶结构轻量化设计对于提高船舶的运载能力和实现更大的经济效益具有重要意义,针对传统优化设计方法建立优化模型时约束条件无显式表达的问题,提出基于贝叶斯分类器的船舶型材优化设计方法。首先,依据贝叶斯理论和核密度估计方法构建贝叶斯分类器,然后利用贝叶斯分类器代替隐式约束函数进行求解,最后以T型材的优化设计问题为例进行验证,并将优化结果对比约束条件可显式表达情况下的求解结果进行分析。基于单约束条件的贝叶斯分类器目标函数偏差低于2%,基于多约束条件的贝叶斯分类器求解目标函数偏差在8%左右,且不同的贝叶斯分类器设计方法会对优化求解结果精确程度产生影响。使用贝叶斯分类器做出决策边界能代替实际边界进行优化求解,验证了贝叶斯分类器驱动求解器寻优的可行性,对解决约束条件无显式表达的问题提供了新思路。

基于贝叶斯分类器和回波物理特征的C波段雷达非气象回波识别方法和性能分析

天气雷达在观测过程中,通常会受到非气象因子的干扰,产生非气象回波,从而严重影响雷达定量降水估计的精度和短临降水预报的性能。本文使用陕西省西安、延安等7部C波段多普勒天气雷达的体扫观测,构建了基于贝叶斯分类器和回波物理特征的质量控制方法:首先人工提取每部雷达的降水回波、地物回波和晴空回波的反射率因子,并基于提取的不同类型雷达回波,分析了陕西省7部雷达不同类型雷达回波的反射率因子、反射率因子水平纹理、反射率因子沿径向的变化梯度、5 dBZ回波高度、反射率垂直梯度的变化特征,统计得到不同类型雷达回波对应特征量的概率密度分布函数;然后基于统计的概率密度分布函数建立贝叶斯分类器,对雷达回波进行初步识别;在此基础上,结合雷达回波物理特征设计了太阳尖峰识别方法、孤立点去除方法和回波空洞填补方法,进一步识别雷达回波;最后去除非气象回波,得到质量控制后的降水回波数据。利用2019年7~9月陕西省7部雷达的体扫观测数据,系统地分析了雷达质量控制方法的性能,同目前陕西省业务运行的雷达数据质量控制结果进行了对比分析,并使用HSS评分(Heidke skill score)评估了质量控制结果的准确率。结果表明,研发的基于贝叶斯分类器和回波物理特征的雷达质量控制方法能够较好地识别降水回波和非降水回波,识别效果优于业务使用结果,7部雷达数据质量控制结果的HSS评分均在0.75以上。

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。

贝叶斯分类器在手写数字分类识别中的应用

手写体数字识别技术是一种非常重要的技术,将带来巨大的社会效益和经济效益。但是到目前为止,对手写数字进行识别的准确率仍需要进一步提高。针对这种情况,本文提出了一种基于贝叶斯分类器的手写体数字分类识别方法,能够有效识别书写规范的数字。

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.

基于朴素贝叶斯分类器的古诗词作者争议检测

本文收集了《蝶恋花(庭院深深深几许)》等六首作者存在争议的作品所涉及作者的其他作品作为训练语料,经过分词和特征提取后,使用朴素贝叶斯分类器学习作者特征,随后对争议作品进行作者判断。判断结果详细显示了各首争议作品的作者可能性,除《生查子·元夕》外,其余判断结果与文献考证的契合度较高。本文还收集了三组唐朝并称诗人——“元白”“皮陆”“小李杜”的作品,使用朴素贝叶斯分类器进行作者判断,取得了较好的效果,进一步验证了该方法在作者检测上的有效性。

基于Copula的贝叶斯分类器

利用Copula的理论提出了基于Copula贝叶斯分类算法,克服了一般的朴素贝叶斯分类器要求属性独立性假设的不足,进一步扩展了朴素贝叶斯分类器,实验结果表明,基于Copula贝叶斯算法取得了较好的分类效果。

基于贝叶斯分类器的液压泵故障分级诊断方法

矿用液压泵故障种类较多,其分类过程一直存在无明确标签特征量化,导致故障诊断精准性较差的问题。对此提出应用贝叶斯分类器的矿用液压泵故障分级诊断方法,采用动态统计滤波计算矿用液压泵运行过程中的正常数据、噪声数据的特征性相关值,根据噪声和其他数据信息量不同的特点,离散噪声数据以达到过滤的目的。考虑到矿用液压泵故障数据集中存在无特征标签的问题,为避免混淆,划分无特征标签数据状态,计算二者属于同种类别的概率值,并采用损失函数对其进行约束。建立贝叶斯分类器,让已知种类和未知种类的矿用液压泵故障数据集处于同一分类空间,计算二者的先验概率和证据因子,通过概率值诊断待检测数据与已知数据间的属性差异,并利用贝叶斯分类器划分的故障诊断等级实现矿用液压泵故障分级诊断。实验结果表明:所提方法矿用液压泵故障诊断精准度高,不同类型故障的特征捕捉性能强,实用价值高。

基于R-vine Copula理论的改进朴素贝叶斯分类器

朴素贝叶斯分类方法在分类时,基于属性之间的独立性假设影响了其分类性能。基于此在R-vine Copula理论的基础上,利用一系列Pair Copula函数和核密度函数的乘积来构造属性的类条件概率密度函数,并通过AIC准则选取最合适的Pair Copula函数,用极大似然估计法确定其参数。实验结果表明,改进的分类器提高了分类的准确率,避免了因属性相关导致的分类效果的偏差。

连续属性完全贝叶斯分类器的学习与优化

针对连续属性朴素贝叶斯分类器不能有效利用属性之间的条件依赖信息,而依赖扩展又很难实现属性条件联合密度估计和结构学习协同优化的问题,文中在使用多元高斯核函数估计属性条件联合密度的基础上,建立了具有多平滑参数的连续属性完全贝叶斯分类器,并给出将分类准确性标准与区间异步长划分完全搜索相结合的平滑参数优化方法,再通过时序扩展构建了动态完全贝叶斯分类器.我们使用UCI机器学习数据仓库中连续属性分类数据和宏观经济数据进行实验,结果显示,经过优化的两种分类器均具有良好的分类准确性.

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。

基于朴素贝叶斯分类器的棉花盲椿象危害等级识别

针对自然条件下棉花盲椿象危害区域提取和危害等级识别难的问题,提出了棉花盲椿象危害等级自动识别方法。该方法以自然条件下采集的不同盲椿象危害等级棉叶图像为对象,利用最大类间方差阈值分割和多颜色分量组合方法进行作物与土壤分离和病斑分割,并利用分水岭分割方法对粘连棉叶进行分离并提取盲椿象危害棉叶区域,提取图像的颜色、纹理和形状特征,结合朴素贝叶斯分类器,依据划分的棉花盲椿象危害等级标准,对盲椿象危害等级进行识别。不同盲椿象危害等级识别试验结果表明:该模型平均识别正确率达90.0%,通过比较试验表明,该模型在识别精度比BP神经网络高2.5%,运行速度比支持向量机高11.7%,可较好的对棉花盲椿象危害等级进行识别,可为棉花盲椿象的防治提供技术支持。

贝叶斯分类器与粗糙集相结合的变压器综合故障诊断

由于电力变压器故障诊断中的测试数据信息不完备、有偏差,且贝叶斯网络处理不确定性问题能力强,文中提出了用于变压器故障诊断的NB、TAN和BAN三种贝叶斯分类器模型,并提出了贝叶斯网络分类器与粗糙集相结合的变压器故障诊断的新方法,它综合使用溶解气体分析结果和其它电气试验结果作为故障分类所需的属性。其相应的混合分类器为NB粗集、TAN粗集和BAN粗集分类器。实验表明提出的三种混合分类器都适于变压器故障诊断,具有处理信息缺失多的能力和容错特性,克服了粗糙集刚性推理的弱点,其性能明显优于单独使用贝叶斯网络分类器或粗糙集的方法。

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.

基于贝叶斯分类器的图像分类

通过对朴素贝叶斯分类器的讨论,提出将贝叶斯方法应用于医学图像分割后的图像分类思想.给出一种基于朴素贝叶斯分类器的图像分类方法,对从尿沉渣图像中识别出的微粒进行正确分割及特征提取与选择,并利用朴素贝叶斯分类器进行分类.实验结果表明,所提出的方法用于解决图像分类有效.

提升型贝叶斯分类器在电力系统暂态稳定评估中的应用

应用人工智能技术可实现电力系统暂态稳定的快速评估,朴素贝叶斯分类器作为人工智能方法的一种,其训练计算复杂度是线性的,是解决分类问题最实用、有效的方法之一,但由于它是建立在属性变量相对类变量独立的假设前提下,故存在一定的误分类率。本文采用Adaptive Boost(AdaBoost)算法对朴素贝叶斯分类器进行提升,有效地降低了误分类率,并将提升型贝叶斯分类器用于电力系统暂态稳定评估。选取能迅速反映电力系统暂态过程的特征量,作为贝叶斯分类器的属性变量,将系统稳定或不稳定作为类变量,采用数值仿真算法产生大量样本,并对属性的连续数据进行离散化处理,构造了用于暂态稳定评估的提升型贝叶斯分类器。对新英格兰10机39节点系统进行仿真,结果表明:提升型贝叶斯分类器用于电力系统暂态稳定评估可有效降低机器学习的复杂度和提高暂态稳定的分类精度。

用于数据采掘的贝叶斯分类器研究

所谓分类器是一个函数f(x),它给需要分类的实例x赋予类标签c,∈C(j=1,2,…,m),实例x由一组属性值a_1,…,a_n描述,C是类变量,取有限个值,可看成有限个元素的集合。进行分类首先要构造一个分类器。从预先分类的实例进行有导师学习并建立分类器,是机器学习的中心问题之一。已有的分类器如决策树、决策表、神经网络、决策图和规则等。

基于正态云模型与改进贝叶斯分类器的变压器故障诊断

在基于油色谱数据的变压器故障诊断中,一般数据挖掘方法存在数值区域划分过硬,且未考虑边界元素隶属的随机性和模糊性的问题。针对该问题,文章应用正态云模型对油色谱数据集进行预处理,同时云模型对数据集的精简也提高了关联规则挖掘的效率。为了解决朴素贝叶斯分类器中对各属性独立的假设不符合实际情况这一问题,文章引入关联规则森林表示法和属性联合概率算法,改进了朴素贝叶斯分类器,建立了基于正态云模型与改进贝叶斯分类器的变压器故障诊断模型,通过与其他模型的对比及实例验证,证明了该方法的有效性。

基于MWST+T-K2结构学习算法的贝叶斯分类器

针对K2算法在构建贝叶斯分类器时节点排序不同影响分类准确率的问题,提出了一种MWST+T-K2结构学习算法,运用Matlab软件的BNT工具箱构建了MWST+T-K2分类器,并经过NBC、TANC、MWST和MWST+T-K2分类器对UCI数据库的24个分类数据集进行分类检验.结果表明,对4种分类器在24个数据集上的分类水平进行整体与两两比较时,MWST+T-K2分类器的分类水平均最优;在小数据集上比较时,MWST+T-K2分类器的分类水平取得全局最优,未取得局部最优;在大数据集上比较时,未取得全局或局部最优,低于TANC的分类水平.所以,MWST+T-K2结构学习算法是一种适合构建小数据集贝叶斯分类器的方法.