基于NBN-EM的地铁施工事故致因分析模型研究

地铁施工事故具有易发性且事故类型复杂多样,针对现有地铁施工事故分析方法多依赖于专家主观经验构建,且仅有较少方法对事故报告信息加以利用的问题,提出一种基于NBN-EM的地铁施工事故致因分析模型。首先,以搜集的2010—2021年间的223起事故报告为数据来源,采用统计学方法提取及筛选风险因素,进一步归纳建立事故致因分析的指标体系;其次,采用改进的朴素贝叶斯网络构建风险因素指标与事故类型关系的图形结构,同时分层随机抽样80%的数据为训练样本,借助EM算法和Netica软件进行数据学习,确定各节点的先验概率和条件概率参数;最后,通过贝叶斯网络推理和敏感性分析得到不同类型事故的关键致因排序,不同视角下的情景分析对风险因素组合作用下的事故发生概率和风险源识别进行了确定。研究结果表明:施工工法、施工方案内容、安全隐患排查分别为三个维度上造成事故发生的最重要因素,不同类型事故的关键风险因素具有差异性,应区别预控,模型测试验证方法的有效性,平均正确率为84.55%。

基于Boosting机制的Naive Bayesian文本分类器

Naive Bayesian分类器是一种有效的文本分类方法,但由于具有较强的稳定性,很难通过Boosting机制提高其性能。因此用Naive Bayesian分类器作为Boosting的基分类器需要解决的最大问题,就是如何破坏Naive Bayesian分类器的稳定性。提出了3种破坏Naive Bayesian学习器稳定性的方法。第一种方法改变训练集样本,第二种方法采用随机属性选择社团,第三种方法是在Boosting的每次迭代中利用不同的文本特征提取方法建立不同的特征词集。实验表明,这几种方法各有其优缺点,但都比原有方法准确、高效。

一种基于独立分量分析和Naive Bayesian网络的入侵检测方法

文章将独立分量分析穴ICA雪模型引入入侵检测系统,提出了基于独立分量分析和NaiveBayesian网络的入侵检测分类的新方法。通过把样本投影到有独立分量分析所确定的特征空间,来提高贝叶斯网络的分类性能,从而提高了入侵检测系统的性能。实验结果表明,这种基于独立分量分析模型的分类器具有良好的分类性能。

基于Naive Bayesian算法的客户端邮件过滤器的实现

“垃圾”邮件是Internet上面临急待解决的问题。Naive Bayesian过滤器由于其简单高效性在文本分类中应用较广,重点研究了Naive Bayesian算法,给出了一个“垃圾”邮件过滤器,依据邮件的内容而不是通过设置规则来过滤邮件,并通过实验论证了它在客户端过滤邮件的可行性和有效性。

Naive Bayesian Classifier在遥感影像分类中的应用研究

将Naive Bayesian Classifier(简单贝叶斯网络分类器)用于遥感影像的分类,并对其主要问题如特征选择和后验概率推理等展开研究。使用K2结构学习算法选出具有类别可分性的波段,进一步利用互信息测试对遥感波段之间的相关性做分析,去除冗余信息。特征(波段)的条件独立性假设简化了联合概率的计算,以较小的计算代价获得后验概率。在此基础上,将Naive Bayesian Classifier用于多光谱和高光谱影像的分类,获得很好的性能和相当高的稳健性。

基于特征多视图提升Naive Bayesian的Boosting改进算法

AdaBoost作为一种有效的集成学习方法,能够明显提高不稳定学习算法的分类正确率,但对稳定的Naive Bayesian分类算法的提升效果却不明显.为此,利用多种特征评估函数建立不同的特征视图,生成多个有差异的加权朴素贝叶斯(WNB)基分类器;尝试使用几种不同的方式将样本权重嵌入WNB基分类器的参数中,对WNB产生扰动,进一步增加基分类器的不稳定性.实验结果表明,对比AdaBoost所提算法,Boost MV-WNB能够明显提升WNB文本分类器的性能.

一个基于Naive Bayesian垃圾邮件过滤器的改进

近几年来,垃圾邮件成为互联网的公害之一。现有的反垃圾邮件技术中,基于统计方法的Naive Bayesian分类算法在垃圾邮件过滤中有很好的效果。文中简单介绍了Naive Bayesian分类算法,提出了一种旨在提高垃圾邮件过滤精确率的改进方案,并给出了实验结果。

Naive Bayesian算法在基于内容的垃圾邮件过滤中的应用

垃圾邮件是Internet上面临急待解决的问题。Naive Bayesian算法由于其简单高效性在文本分类中应用较广,重点阐述了Naive Bayesian算法在基于内容的垃圾邮件过滤中的应用,并在Ling-spam语料库上进行了实验,获得了良好的分类效果,实验论证了它在垃圾邮件过滤中的可行性和有效性。

Adaptive target and jamming recognition for the pulse doppler radar fuze based on a time-frequency joint feature and an online-updated naive bayesian classifier with minimal risk

This paper considers the problem of target and jamming recognition for the pulse Doppler radar fuze(PDRF).To solve the problem,the matched filter outputs of the PDRF under the action of target and jamming are analyzed.Then,the frequency entropy and peak-to-peak ratio are extracted from the matched filter output of the PDRF,and the time-frequency joint feature is constructed.Based on the time-frequency joint feature,the naive Bayesian classifier(NBC)with minimal risk is established for target and jamming recognition.To improve the adaptability of the proposed method in complex environments,an online update process that adaptively modifies the classifier in the duration of the work of the PDRF is proposed.The experiments show that the PDRF can maintain high recognition accuracy when the signal-to-noise ratio(SNR)decreases and the jamming-to-signal ratio(JSR)increases.Moreover,the applicable analysis shows that he ONBCMR method has low computational complexity and can fully meet the real-time requirements of PDRF.

朴素贝叶斯下新型建筑室内空调瞬态能耗预测

新型建筑通常具有较为复杂的结构,使得室内空调系统的能耗受到如建筑朝向、室内人员活动以及设备使用情况等因素影响,导致无法精准预测空调能耗。为此,提出新型建筑室内空调瞬态能耗朴素贝叶斯预测方法。采用K均值聚类(K-means clustering,K-Means)算法将新型建筑室内空调划分为除湿模式、制冷模式、通风模式、制热模式和自动模式,并分析影响空调瞬态能耗的因素,建立朴素贝叶斯预测模型,剔除空调瞬态能耗异常数据,输入至朴素贝叶斯预测模型中,实现新型建筑室内空调的瞬态能耗预测。仿真结果表明,所提方法可有效完成不同模式和运行时间下的瞬态能耗预测,与实际能耗之间的偏离程度较低,期望误差仅为2.31%,变异系数为4.76%,预测误差小。

基于贝叶斯网络理论的空气质量分析与预测

为科学构建空气质量监测体系,提升空气质量预测精度,基于海量监测数据的不确定性,提出了一种基于贝叶斯网络的方法来预测空气质量指数AQI及相应的等级。以合肥市为研究对象,首先利用朴素贝叶斯分类算法来预测空气质量等级,训练得到待验样本的分类准确率为85%,由于该算法的条件独立性假设过于严格,进一步引入贝叶斯网络模型实证研究,基于后验概率分布训练得到预测结果。仿真实验表明待验样本的AQI预测平均绝对百分比误差为6.89%,空气质量等级分类准确率为90.28%,说明贝叶斯网络具有良好的预测效果,能为空气质量预测预报提供技术支撑,助力城市空气质量改善。

基于改进信息增益的ACO-WNB分类算法研究

针对朴素贝叶斯分类算法对文本分类性能不高的问题,提出一种基于改进信息增益的ACO-WNB分类算法。首先,根据特征词在数据集中的词频分布情况加入调节因子,对特征词的贡献/干扰作用进行增强/抑制的调节,选择具有强区分度的特征形成特征子集,提高IG处理非均衡数据集的准确率。然后,将蚁群优化算法(ACO)和加权朴素贝叶斯模型相结合,利用ACO对权重进行迭代和全局寻优,生成ACO-WNB分类器,提高对文本数据的分类效率。使用典型新闻数据集将改进前后的算法对比分析,实验表明IG (可以有效去除冗余的高频特征,对非均衡数据集有更好的特征选择能力,ACO-WNB分类器具有更高的准确率,使得对实际的文本数据有更好的分类效率。

遥感影像居民地目标Bayesian网络识别算法研究

利用Nave Bayesian网络的学习和推理机制,提出一种在遥感影像上提取居民地目标的方法。该方法通过对所选取的正负样本进行学习,获取Bayesian网络的重要参数,即条件概率和概率分布密度。在此基础上,根据正负样本所构建的条件概率网,对未知类别信息的影像进行分类,从而获取居民地目标的信息。通过对实际全色SPOT5影像中居民地目标的提取,表明该方法具有较高的识别率。

Spark框架下利用分布式NBC的大数据文本分类方法

针对现有面向大数据的计算框架在可扩展性机器学习研究中面临的挑战,提出了基于MapReduce和Apache Spark框架的分布式朴素贝叶斯文本分类方法。通过研究MapReduce和Apache Spark框架的适应性来探索朴素贝叶斯分类器(NBC),并研究了现有面向大数据的计算框架。首先,基于朴素贝叶斯文本分类模型将训练样本数据集分为m类;进一步在训练阶段中,将前一个MapReduce的输出作为后一个MapReduce的输入,采用四个MapReduce作业得出模型。该设计过程充分利用了MapReduce的并行优势,最后在分类器测试时取出最大值所属的类标签值。在Newgroups数据集进行实验,在所有五类新闻数据组上的分类都取得了99%以上的结果,并且均高于对比算法,证明了提出方法的准确性。

基于JRNB的网络入侵检测算法

朴素贝叶斯(NB)算法的条件独立性假设在一定程度上牺牲了分类准确率,在应对关系复杂的网络入侵数据时缺点尤为突出。针对这一问题,提出一种特征加权的JS散度和反类别频率(RCF)改进朴素贝叶斯(JRNB)入侵检测算法。为了弥补NB算法中对所有特征项同等分析的不足,引入JS散度的方法来衡量每个特征项的权重,以突出不同特征项之间的差异性;考虑到类频率对样本分类的影响,提出RCF来完善特征权值的计算,进一步降低条件独立性所带来的影响。仿真实验结果表明:JRNB算法在入侵检测的应用中取得了更好的检测性能。

基于Naive Bayes的中文人名识别研究

在传统的只统计人名用字的Naive Bayes分类算法的基础上,将人名上下文边界融入其中,并利用从大规模语料库中统计的人名用字、边界模板频率对人名定界,再通过扩散操作召回遗漏人名。该方法简单易行,并能取得很好的效果。实验结果表明,其F值达到了93.28%。

塔吊作业事故关联规则挖掘及贝叶斯建模分析

为探究塔吊作业安全风险,深入挖掘事故特征,明确塔吊作业事故成因机制,提出了一种基于Apriori算法关联规则挖掘的改进朴素贝叶斯网络结构,采用数据驱动的方式训练模型,提升塔吊作业事故推理的效率和精度。通过诊断推理得出,塔吊倒塌事故多由物因缺陷造成,高处坠落事故多由人因缺陷造成,吊物伤人事故多由物因缺陷和不良环境共同造成。通过因果推理对诊断结果进行了验证,表明该模型可在设定条件及场景下有效进行事故推理分析。

基于信息增益率的WNB水下机器人故障分类

提高故障诊断能力对于确保水下机器人系统的稳定运行具有重要意义,故障分类是目前水下机器人故障诊断所面临的一个重要问题;针对水下机器人推进器系统数据特征,提出一种基于信息增益率的加权朴素贝叶斯故障分类算法;首先,计算故障训练样本的先验概率,将各属性的信息增益率作为权值;其次,构建基于增益率加权的朴素贝叶斯分类模型;然后,对检测的故障数据利用分类模型获取具有最大后验概率的故障模式,实现故障分类;与朴素贝叶斯算法和决策树算法相比,仿真实验结果表明基于信息增益率加权的朴素贝叶斯算法的分类成功率更高,能够有效地实现水下机器人的故障分类。

基于NB的双级分类模型在邮件过滤中的研究

使用朴素的贝叶斯(NB)分类模型对邮件进行分类,是目前基于内容的垃圾邮件过滤方法的研究热点。朴素的贝叶斯在参数之间联系不强的时候分类效果简单而有效。但是朴素的贝叶斯分类模型中对特征参数的条件独立假设无法表达参数之间在语义上的关系,影响分类性能。在朴素的贝叶斯分类模型的基础上,我们提出了一种双级贝叶斯分类模型(DLB,Double Level Bayes),既考虑到了参数之间的影响又保留了朴素的贝叶斯分类模型的优点。同时对DLB 模型与朴素的贝叶斯分类模型的性能进行比较。仿真实验表明,DLB 分类模型在垃圾邮件过滤应用中的效果在大部分条件下优于朴素的贝叶斯分类模型。

一种改进的基于遗传禁忌优化的NB算法

针对传统朴素贝叶斯分类模型应用过程中存在的特征项冗余问题,使用遗传禁忌算法对特征项集进行优化,并在此优化结果的基础上,提出了一种改进的朴素贝叶斯分类方法来解决用户模板中存在的单类别词汇问题。经实验证明,该方法比传统的朴素贝叶斯分类模型具有更好的鲁棒性和分类性能。