基于TAN网络的层次约减数据分类清洗方法

为提高多源异构环境数据清洗的效率和降低多源异构数据清洗的复杂度,针对多源异构数据环境下存在大量不精确数据的问题,提出一种层次约减分类清洗方法。通过重要度度量算法在数据源层、数据属性层、数据元组层进行层次约减,基于分类算法思想构建TAN网,然后利用数据概率值完成对不精确数据的分类清洗。实验表明所提方法能够有效地提高不精确数据清洗的准确率和清洗效率。

基于TAN贝叶斯网络的学习风格检测研究

学习风格能明显地影响学生在网络环境下的学习效果。贝叶斯网络是实现学习风格自动检测的重要手段,而TAN贝叶斯网络作为改进的朴素贝叶斯网络,具有更优的分类精度。以FSLSM模型为基础,提出了基于学习风格预设的TAN贝叶斯网络学习风格模型,通过挖掘学生的网络学习行为实现学习风格的自动检测。通过实验将BN算法和TAN算法进行了比较,实验结果表明TAN学习风格模型检测具有更高的准确性。

TAN贝叶斯网络模型在前列腺癌中的预测研究

目的:评价年龄、前列腺特异性抗原(PSA)以及经直肠前列腺超声影像特征构建的TAN贝叶斯网络(tree-augmented Nave Bayesian network)模型对前列腺癌的预测效果。方法:收集2008年1月至2011年9月行前列腺穿刺活检941例患者的临床数据,包括年龄、PSA、超声影像以及病理诊断,构建TAN贝叶斯网络,对前列腺癌进行预测,并与病理诊断"金标准"比较。结果:941例患者中,358例经活检证实为前列腺癌,583例为非前列腺癌性病变。TAN贝叶斯网络对前列腺癌预测的准确率为85.11%、灵敏度88.37%、特异性83.67%、阳性预测值70.37%、阴性预测值94.25%。结论:基于年龄、PSA以及经直肠前列腺超声影像构建的TAN贝叶斯网络模型对前列腺癌预测效果较好,可作为临床筛查或诊断前列腺癌的一种方法。

COVID-19疫情期间口腔本科生线上学习决策TAN贝叶斯网络模型分析

目的:探讨地方高校口腔医学本科生在COVID-19疫情期间线上学习的应对与决策规律。方法:针对丽水学院2016—2018级口腔本科生,分别在线上课程开课之前和开课4周后进行2次问卷调查。利用SPSS Modeler 18.0对资料进行整理、审核和内部一致性分析,构建TAN贝叶斯网络模型(tree augmented naive Bayesian network),并使用总体正确率、受试者工作特征曲线(ROC曲线)和ROC曲线下面积(AUC值)等指标评价模型的优劣。结果:2次调查收集个案数分别为422个和382个,Cronbachα系数分别为0.91和0.82。所构建的TAN贝叶斯网络模型分析显示,是否预习线上资料的决策中,最重要的变量是期待开学,其次是网络资料的有效性;在线上课程是否达到线下课程标准的评价变量中,讲课节奏(视频直播或录播中)、线上资料任务点多少、线上资料框架条理3个变量的重要性显著高于其他变量。2个模型的总体预测正确率分别为89.42%和87.82%,AUC值分别为0.75和0.93。结论:疫情期间,教师应充分认识到地方高校口腔医学本科生的教育期待。教学中首先要精心组织内容全面、结构条理清晰、生动且难度适中的线上资料,辅以节奏适中、语音和画面质量均上乘的线上直播或视频录播,再结合多渠道师生交互,真正做到"停课不停学"。

面向案件审判难度预测的神经网络模型研究

审判难度预测(TDP)是指在给定案情描述文本的情况下,自动预测案件审判难易程度,其在司法智能化系统中具有广阔的应用前景。现阶段,案件审判难度预测工具严重依赖专家经验规则,存在较大偏差,相关的研究工作较少。针对此问题,将其归结为自然语言处理中的文本分类问题,通过分析发现传统分类方法未考虑起诉状中审判要素间的结构独特性和逻辑依赖性,导致难以准确预测案件难易程度。为解决上述挑战,通过对起诉状的研究,结合案件繁简审判要素,提出一种新的神经网络模型MAT-TAN。具体地,该模型首先采用一种掩码注意力网络(MAT)对案情描述文本进行细粒度分析。其中的掩码机制扮演智能门控者的角色,起到聚焦审判要素特定位置的作用,结合自注意力机制,实现了对各审判要素全面、准确的特征提取。其次,提出一种拓扑关联网络(TAN)对要素间的司法逻辑依赖关系进行建模,并有效融合不同要素的特征,最终实现案件审判难度预测。在法院真实数据上的实验结果表明,与基准的文本分类方法相比,该模型宏平均F1值提升了0.036,在审判难度预测上具备较好的使用效果。

基于CT定量比较两种算法对慢性阻塞性肺疾病危重程度的分级

目的基于CT定量分析比较C5.0决策树模型和TAN贝叶斯网络模型对慢性阻塞性肺疾病(chronic obstructive pulmonary disease, COPD)危重程度分类预测的正确率。方法回顾性收集2015年3月至2017年9月"数字肺"数据库中心COPD患者的CT扫描图像与肺功能测试结果,按《2018年慢性肺疾病诊断、治疗及预防全球策略》诊断标准,将患者分为4级。利用"数字肺"自动分析平台得到所有患者肺实质及支气管的相关指标。以肺功能分级为参照,建立C5.0决策树模型和TAN贝叶斯网络模型,比较2个模型对COPD分级的正确率。结果 C5.0的决策树模型训练样本和测试样本的正确率分别为90.76%和63.63%,TAN贝叶斯网络模型训练样本和测试样本的正确率分别为83.19%和52.73%。结论基于CT定量分析,应用C5.0决策树模型能更好地预测COPD疾病的危重程度。

基于Stacking元学习策略的变压器故障诊断

针对目前广泛应用于变压器故障诊断的四种分类器在模式识别中存在的不足,基于Stacking元学习策略的组合方式,构建了一种分类器组合模型。通过试验证明,该组合分类器优于单个分类器精度。

基于乘客感知的多模式公交服务质量差异性研究

针对多模式公交服务质量的差异性,提出一种以TAN贝叶斯网络与支持向量机(SVM)为基础的多方法组合评价模型,评价各模式公交服务质量,并预测检验了指标优化效应。首先,采集2015—2018年市区线路、郊区线路、快速公交、定制公交的服务质量调查数据,基于公交方式截面,使用TAN贝叶斯网络推理得出各因素对乘客满意度的影响能力及潜在影响关系;其次,结合IPA分析方法,基于时间截面定位分析各模式公交选取指标的服务水平,辨识各模式公交需优化的主要指标;最后,选取多层感知器(MLP)、长短时记忆神经网络(LSTM)与SVM进行对比,验证了SVM回归预测的精准度,并采用SVM与OAT方法预测得到各模式公交满意度变化及指标敏感性,参照因素间潜在的影响关系提出优化方案。结果表明:4种公交模式的服务质量影响关系网络具有差异性,各模式公交均存在车厢拥挤问题,市区线路的指标优化效果最佳,正效应为36.4%;市区和郊区线路均应与其他模式公交匹配发车计划,通过缩短乘客候车时长可分别提升39%、32.2%的乘客满意度;快速公交需提升车辆行驶的稳定性,定制公交需要调整线路规划,减少乘客乘车总时长,优化为整体服务质量提升带来的正效应分别为42.7%和37.4%。

四种因果图模型在观察性研究因果推断中的比较研究

目的比较有向无环图、结构方程模型、贝叶斯网络和TAN贝叶斯网络四种因果图模型在观察性研究因果推断中的原理方法和应用价值,为因果图模型的合理选用提供参考依据。方法以认知障碍为例,基于先验知识构建轻度认知功能障碍的有向无环图。根据有向无环图建立结构方程模型的初始模型,采用极大似然估计进行参数估计和修正指数进行模型优化。运用爬山算法进行贝叶斯网络结构学习、贝叶斯信息准则进行结构优化和贝叶斯估计进行网络参数学习,并进行网络推理。采用专家建模进行TAN贝叶斯网络的构建,似然比进行独立性测试和极大似然估计进行参数学习,并进行诊断推理。结果实例分析显示,有向无环图、结构方程模型和贝叶斯网络均稳定探测到了结局变量的直接原因且各模型探测到的因果路径基本趋同。有向无环图定性推断了变量间因果关系的概念框架;结构方程模型通过标化路径系数定量推断了模型假定的观测变量与结局变量间的因果关系;贝叶斯网络通过条件概率表定量推断了直接原因组合下结局变量的发生概率,正向预测推理了由因到果的路径关系;TAN贝叶斯网络通过变量重要性评分反向诊断推理了由果到因的路径关系。结论有向无环图、结构方程模型、贝叶斯网络和TAN贝叶斯网络因果图模型在观察性研究因果推断中的侧重点和实际意义有所不同,探测到的因果路径亦有所不同,实际应用时应综合四种因果图模型结果进行因果关系的稳健推断。