基于Softmax概率分类器的数据驱动空间负荷预测

提出了一种数据驱动空间负荷预测方法。将网格化体系下的功能地块作为空间负荷预测的基本单元,并且通过多维指标体系进行属性描述。基于大量调研数据,通过数据挖掘方法对不同类型地块的空间负荷密度分布规律和负荷曲线典型形态进行提取。建立Softmax多元概率分类模型对未知地块的负荷水平类型进行匹配。自下而上对相邻地块负荷预测结果进行时域叠加,得到更大区域的预测信息,包括其负荷量和预测负荷曲线。算例仿真结果表明提出的空间负荷预测方法在预测精度上有一定提升。

基于堆叠稀疏自编码器和Softmax分类器的路面裂缝识别方法研究

为了提高路面裂缝识别的正确率和实时性,文章提出了一种基于堆叠稀疏自编码器和Softmax分类器的路面裂缝识别方法。利用图像处理算法从每张路面图像中提取低维特征,输入到稀疏自编码器进行特征优化并提取高维特征后,使用Softmax分类器来进行识别。利用本文方法进行交叉试验,准确率、精度、灵敏度、特异性和F1-score分别达到99.5%、99%、100%、100%和99.5%。因此,本文提出的方法能够有效地自动检测路面裂缝。

电能质量扰动的专家概率分类器模型

电力系统以及部分用户均安装有监测装置,收集了大量的扰动数据,因此有必要研究出实用简单的、自动的扰动分类器,从而为进一步研究奠定基础。提出了电能质量扰动的专家概率分类器模型,用于常见电能质量扰动的分类。概率分类器基于数理统计规律,概念清楚、运算简单,引入专家反馈环节可以提高分类的准确性、鲁棒性,使得分类器具备一定的自适应能力。根据同一监测地点检测到的电能质量扰动样本,构建并测试了该分类器的可行性及性能,结果令人满意。

基于SOM-PNN分类器的体数据概率分类及绘制

概率分类是三维医学体数据绘制必不可少的预处理环节．本文提出的SOM－PNN分类器，以贝叶斯置信度为基础，给出概率分类结果，并用于三维体绘制，得到了良好的图像质量和较高的分类效率．传统的参数模型方法的主要缺点是预先假定的概率分布函数形式不一定符合待分类的数据．非参数模型方法，如PNN分类器，可以有效地克服参数模型的缺点，但其巨大的内存开销与低的分类速度使得用PNN作图像分类几乎不可行．SOM具有良好的自组织聚类能力，但无法直接给出概率分类结果．本文提出的SOM－PNN分类器在SOM聚类的基础上，利用PNN进行概率分类，结合了SOM自组织聚类和PNN概率分类的优势，同时克服了传统参数模型分类的局限性．实验结果证实了SOM-PNN分类器具有分类精度高、速度快及揭示细节的能力．

基于概率神经网络的蛋白质相互作用分类器

蛋白质-蛋白质作用面上的结构特征对于研究蛋白质功能具有重要意义。提出了一种新的、基于统计直方图提取蛋白质作用面特征的方法,并且利用提取出的作用面特征,结合概率神经网络,实现了对作用面结构类型的分类预测。从预测结果来看,统计直方图提取出的特征,对蛋白质作用面结构具有很好的区分能力,而且可以通过调节划分的区间个数和节点的选取方式,达到对作用面结构的不同粒度的描述,以适用于不同目的的研究,这可能对与结构有关的某些生物信息学问题的研究具有启发性。利用概率神经网络对作用面结构进行分类预测,避开了费时的结构比对和数据库搜索,且训练快速,扩展能力强,正确率高,对独立测试集的911个蛋白复合物视在正确率达到90.67%。基于该算法的MATLAB分类器软件可以通过E-Mail与作者联系获取。

一种新的用于文本分类的概率分类器设计

为了进一步提高文本分类的准确率,文中介绍了一种新的用于文本分类的概率分类器。该分类器首先通过自然语言处理技术对文本进行预处理,然后从训练集中读取文本信息从而产生正、负规则,并计算正负权重系数,最后计算正、负概率。文中给出了计算正负权重系数的算法,并根据计算出来的权重系数及正、负概率值对文本进行分类。将文中提出的概率分类器与SVM分类器进行对比实验,实验结果表明,文中设计的概率分类器对于文本分类效果较好。

基于NB分类器重访概率预测的Web缓存替换策略

Web缓存是用来解决网络访问延迟和网络拥塞问题,缓存替换策略直接影响缓存的命中率。为此,提出一种朴素贝叶斯(NB)分类器重访概率预测的Web缓存替换策略;根据用户之前访问日志,通过分区操作提取多项特征来表示每次访问的对象,并构建特征数据集;训练NB分类器,用来确定缓存中对象被再次访问的概率,为对象分配权重;结合LRU策略来合理删除一些对象。仿真结果表明,提出的策略在保证较高命中率的同时有效降低了执行时间。

一种构造性的概率决策自组织分类器

从输入的原始信息得到特征通常需要复杂的非线性运算,直接找到这种算法是很困难的。而M-P神经元模型的几何意义指出:构造一个网络,使对给定的样本集能进行符合要求的分类,等价于求出一组领域,对给定样本集中的点,能按分类的要求用领域覆盖将它们分隔开来。但是,在实际的大规模应用中,如时间序列预测的典型问题———股票预测,其给定的样本集中可能含有异动点,会引起错误的学习结果,因此,有必要引入自组织和概率决策化方法,提高分类的正确性,同时还可降低神经网络的结构规模,提高识别的速度。作者给出一种构造性的概率决策自组织分类器SPDC(ASelf-adjustingandProbabilisticDecision-makingClassifier),重点讨论了在覆盖算法中引入自组织和概率决策化方法。

采用潜在概率语义模型和K近邻分类器的音频分类算法

提出一种基于潜在概率语义(PLSA)模型和K近邻分类器的音频分类算法.首先,将信号特征向量送入潜在概率语义模型中训练,获得声音主题词袋模型;然后,使用K近邻分类器(KNN)进行分类.实验结果表明:与传统的K近邻分类算法相比,提出的算法在分类效果上有较明显的改善.

基于栈式自编码器和Softmax分类器的电力变压器故障诊断

为更加有效地解决电力变压器故障诊断时面临的数据提取、局部最优、梯度消散等问题,提出了一种基于栈式自编码器(stacked auto-encoders,SAE)与Softmax分类器的电力变压器故障诊断新方法。所提方法首先基于SAE与Softmax分类器理论,建立电力变压器故障诊断模型;然后基于k步对比散度算法,利用大量无标签样本对故障诊断模型中的每个受限玻尔兹曼机(restricted Boltzmann machine,RBM)进行逐层无监督训练,并使用有监督算法对模型参数进行调优;最后结合Softmax分类器对故障类型进行判断。算例分析证明,与基于支持向量机(support vector machine,SVM)和反向传播神经网络算法的故障诊断方法相比,所提方法在电力变压器评估方面具有较好的稳定性及更高的准确率。

基于概率神经网络的在线分类器

由Specht提出的概率神经网络(PNN)由于训练效率和统计基础而被广泛应用于各个领域。但是由于在PNN中使用Parzen窗口估计概率密度函数(PDF),整个训练数据会存储在模式层中,这无疑增加了存储负担。而且,仅使用一个全局平滑参数的原始PNN不能准确地表示复杂数据集中的局部信息。在对原始PNN进行了研究后,文中提出了一种新在线学习概率神经网络(OL-PNN)。在线学习概率神经网络应用随机梯度上升方法实时更新参数,并采用高斯聚类将训练数据分类为由混合高斯模型表示的若干簇,其中高斯核函数中的每个维度都有各自的平滑参数和中心参数,从而可以减弱由于数据的不均匀分布引起的失真。此外,为了提高学习和表达能力,补偿由聚类算法引起的偏差,神经网络模型添加了一个额外的线性特征层。实验结果表明,该模型明显优于原始PNN,并且与很多流行分类器相当。

基于集成投影单分类器的滚动轴承损伤程度评估方法

为准确评估滚动轴承的损伤程度,提出一种基于集成投影单分类的滚动轴承损伤程度评估方法。首先,应用特征向量选择和投影方法(FVSP)构建投影单分类器,避免异常样本不足的问题并提升分类效率;然后,采用证据理论对多个投影单分类器的结果进行集成,进一步提升学习性能;最后,以最终得到的后验概率信息作为健康指标(HI),对滚动轴承损伤程度进行判断。对外圈故障6309轴承的试验结果表明,该方法可以有效评估出轴承损伤发生时刻以及损伤程度。

基于深度神经网络和SoftMax分类器的台区负荷分类识别方法

随着传统分类分析算法研究的不断深入,台区用电负荷模式的分类识别也在不断发展。提出了一种基于深度神经网络(deep neural networks,DNN)和SoftMax分类器的台区负荷分类识别方法,结合已有的典型负荷曲线特征库,实现对台区未知用户的负荷预测,为电网部门需求侧管理提供可靠的支撑。对某台区1200个用户负荷数据进行实证分析,结果表明,提出的分类方法在算法收敛性、计算时间以及预测精度等方面具有更好的性能。

基于概率分类器加权的多模态AD分类模型研究

阿尔茨海默症(Alzheimer’s Disease, AD)是一种最常见的神经退行性疾病,其症状具体表现为记忆和思维能力的退化,同时AD是受遗传因素影响很大的疾病,目前对AD仍无有效的治疗手段,许多研究基于单一模态数据进行早期诊断的研究效果不理想。为此,研究基于磁共振影像(MRI)和单核苷酸多态性(Single Nucleotide Polymorphim, SNP)两种模态数据提出一种概率分类器加权的多模态集成学习新框架,为分类器提供更丰富、全面的信息,从而提高AD诊断分类的准确率和稳定性。研究方法在AD vs NC、MCIc vs NC和MCInc vs MCIc的5次5折交叉验证实验结果平均准确率分别高达80%、76%、70%,结果表明研究提出的多模态集成学习模型与利用单一模态数据的分类模型相比更具有优势。

基于朴素贝叶斯分类器的大鼠体态自动识别

目的提出一种有效的大鼠体态识别方法,适用于不同目标分辨率的图像。方法从大鼠体态图像中提取目标的4个旋转、平移、尺度不变量,作为朴素贝叶斯网络的属性变量,将体态分为4类,作为网络的类变量。对网络进行训练,并应用训练好的网络对5组不同分辨率的图像进行识别。结果5组不同分辨率的图像集均取得较高的识别正确率,该方法能有效克服大鼠体态差异等因素带来的目标分辨率不同对识别结果的影响,具有很好的鲁棒性,且运算复杂度低。结论提供了一种大鼠体态识别的算法,该方法具有较强的实用性。

基于概率超图半监督学习的专利文本分类方法研究

[目的/意义]提出了一种基于概率超图半监督学习的专利文本分类方法,拓展超图理论的应用领域,丰富专利文本分类方法体系。[方法/过程]针对目前基于监督学习的专利文本分类方法存在着依赖大量的训练样本,并且训练样本的标注费时费力、需要一定技术含量等问题,将基于超图的半监督学习方法引入到专利文本分类中,提出了一种基于k近邻策略的专利文本概率超图构建方法,并在此基础上给出了基于超图学习的专利文本自动分类算法。该方法可以利用未标记样本提供的样本分布信息来提高分类精度。[结果/结论]实验结果表明,该方法能够在标记少量训练样本的情况下获得比较理想的分类精度和召回率。

贝叶斯分类器在手写汉字识别中的应用

由于缺少以较少的存储空间描述汉字特征概率密度函数方法,在汉字识别系统中贝叶斯分类器很少得到应用.本文提出一种只需6个数据就能描述一个特征的概率密度函数的方法,构造了一个基于贝叶斯分类器的手写汉字识别系统.实验结果表明,该分类器具有优良的性能.

基于最优朴素贝叶斯分类器的个人信用预测

文中主要研究了朴素贝叶斯分类器算法及其优化算法在个人信用预测上的应用,提出了一种基于最大后验概率熵的最优朴素贝叶斯分类器并用在个人信用的预测上.思想是以训练集中样本在不同朴素贝叶斯分类器上的后验概率熵作为反馈信息,从训练样本中选取部分最优样本,抛弃部分含有噪音的样本,作为最优的朴素贝叶斯分类器.用新算法在德国信用数据上用十字交叉验证的方法进行了实验,并同朴素贝叶斯分类器(naive Bayesian classifier,NBC)和支持向量机(support vector machine,SVM)预测结果进行了对比.实验表明该分类器的预测准确率好于朴素贝叶斯分类器,效率好于支持向量机.

贝叶斯专家系统分类器中专家知识的自动提取

专家知识提取是长期以来遥感专家系统分类器应用过程中存在的瓶颈问题,该文重点解决如何实现贝叶斯专家系统分类器中专家知识自动提取和知识库建立的问题。基于参考样点统计分析得出的规律,提出专家知识与参考信息间关系的假设,并设计专家知识自动提取方法,即分类类型先验概率和条件概率估计方法。为了验证专家知识自动提取方法的准确性和有效性,应用模拟数据和实际研究区域数据进行分类并评价其精度。结果表明,基于参考样点统计分析能够获得较高精度的各类型分布先验概率和条件概率,从而实现专家知识自动提取,有效解决现有贝叶斯专家系统分类器中存在的瓶颈问题。

基于多目标演化算法和改进概率分类的重尾时间序列预测

金融、通信和气象等领域中高频时间序列的边际分布均为重尾分布,而传统时间序列预测算法大多将数据流考虑为正态分布,导致传统算法无法适用于重尾分布的时间序列。针对这种情况,提出一种基于演化算法和改进概率分类器的重尾时间序列预测算法。将预测提前量和预测准确率作为两个优化目标,利用演化算法对两个目标进行独立优化。对高斯过程分类进行改进,使其支持重尾时间序列的分类问题,并且优化了时间效率。实验结果表明,该算法有效地提高了时间序列的预测准确率。