基于TAN网络的地铁区间与车站施工事故致因分析

为解决不同类型的地铁施工事故关键致因识别,以便于支持事故相关方在风险分析、预防和控制进行决策的问题。在收集国内2011—2021年间发生的202起事故报告数据的基础上,采用树增强朴素贝叶斯(tree augmented naive, TAN)和EM算法,从事故经过、直接原因、间接原因3个角度分别对事故报告进行统计处理、风险指标提取及合并、风险指标筛选、模型图形结构构建、模型参数确定,并采用GENIE软件训练数据建立最终分析模型。贝叶斯模型分析结果表明:1)通过正向推理明确不同类型事故的关键致险因素,并对各风险因素引发事故的总体影响程度进行重要度排序;2)通过反向诊断说明所建模型在不同风险因素组合情境下对风险预测的决策支持作用;3)10折交叉验证证实了模型的有效性。

基于修正小波变换插值-TAN的雷达降水粒子分类

对于双偏振天气雷达在获取数据分辨率较低情况下的降水粒子分类问题,提出一种双偏振体制天气雷达下基于修正小波变换插值树扩展朴素贝叶斯(tree augmented naive Bayesian,TAN)的降水粒子分类方法。首先,需要在原雷达偏振参量数据分辨率比较低的情况下进行修正小波变换插值处理,以获得较高分辨率的雷达偏振参量数据。然后,基于互信息理论利用离散化的高分辨率偏振参量数据进行TAN网络结构和参数训练,得到可用于降水粒子分类的TAN网络。最后,将高分辨率的雷达偏振参量数据带入到最终获得的TAN网络中以实现降水粒子分类。对实测数据的处理结果表明,对于低分辨率雷达偏振参量数据,所提方法可以取得较好的降水粒子分类结果。

基于TAN的文本自动分类框架

介绍一种树状朴素贝叶斯(TAN)文本分类模型,对该模型存在的阈值选取问题进行实验分析,提出不需要进行阈值选取的TAN文本自动分类框架(ATAN)。在中英文非均匀类分布测试集上对基于ATAN的2种算法与手动选取阈值达到最优性能的BL-TAN进行对比,结果表明基于ATAN的算法具有更高性能。

一种限定性的双层贝叶斯分类模型

朴素贝叶斯分类模型是一种简单而有效的分类方法,但它的属性独立性假设使其无法表达属性变量间存在的依赖关系,影响了它的分类性能.通过分析贝叶斯分类模型的分类原则以及贝叶斯定理的变异形式,提出了一种基于贝叶斯定理的新的分类模型DLBAN(double-level Bayesian network augmented naive Bayes).该模型通过选择关键属性建立属性之间的依赖关系.将该分类方法与朴素贝叶斯分类器和TAN(tree augmented naive Bayes)分类器进行实验比较.实验结果表明,在大多数数据集上,DLBAN分类方法具有较高的分类正确率.

一种基于树增强朴素贝叶斯的分类器学习方法

树增强朴素贝叶斯(TAN)结构强制每个属性结点必须拥有类别父结点和一个属性父结点,也没有考虑到各个属性与类别之间的相关性差异,导致分类准确率较差。为了改进TAN的分类准确率,该文首先扩展TAN结构,允许属性结点没有父结点或只有一个属性父结点;提出一种利用可分解的评分函数构建树形贝叶斯分类模型的学习方法,采用低阶条件独立性(CI)测试初步剔除无效属性,再结合改进的贝叶斯信息标准(BIC)评分函数利用贪婪搜索获得每个属性结点的父结点,从而建立分类模型。对比朴素贝叶斯(NB)和TAN,构建的分类器在多个分类指标上表现更好,说明该方法具有一定的优越性。

贝叶斯网络个人信用评估模型

研究了朴素贝叶斯分类器、树增强朴素贝叶斯分类器2种贝叶斯网络信用评估模型的精度,用10层交叉验证在2个真实数据集上对贝叶斯网络信用评分模型进行了测试并与神经网络模型进行了比较。结果表明,贝叶斯网络信用评估模型具有较高的分类精度,在信用评估中具有优势。

基于贝叶斯网络分类器的雷达辐射源识别方法

雷达辐射源识别是电子对抗中的重要组成部分。贝叶斯网络分类器建立在坚实的理论基础之上,具有较为优秀的分类性能,而且能够有效地处理不确定性问题,重点研究了如何利用贝叶斯网络分类器进行雷达辐射源识别,并通过仿真实验对朴素贝叶斯分类器及其扩展方法进行了分析比较。实验结果表明,与基于概率近似准则的方法相比,基于分类准确率提高准则的扩展树生成方法具有更为优秀的分类性能。

词间相关性在贝叶斯文本分类中的应用研究

针对朴素贝叶斯分类的属性独立性假设的不足,讨论了相关性及多变量相关的概念,给出词间相关度的定义。在TAN分类器的词间相关性分析基础上,提出一种文档特征词相关度估计公式及其在改进朴素贝叶斯分类模型中应用的算法,在Reuters-21578文本数据集上的实验表明,改进算法简单易行,能有效改进贝叶斯分类性能。

基于多重判别分析的朴素贝叶斯分类器

通过分析朴素贝叶斯分类器的分类原理,并结合多重判别分析的优点,提出了一种基于多重判别分析的朴素贝叶斯分类器DANB(D iscrim inantAnalysis Naive Bayesian c lassifier).将该分类方法与朴素贝叶斯分类器(Naive Bayesian c lassifier,NB)和TAN分类器(Tree Augm ented Naive Bayesian c lassifier)进行实验比较,实验结果表明在大多数数据集上,DANB分类器具有较高的分类正确率.*

灵活的增强朴素贝叶斯分类器

提出了一种新颖的基于最小描述长度(Minimum Description Length,MDL)准则的灵活的增强朴素贝叶斯分类器(Flexible Augmented Naive Bayesian classifier,FAN)算法.该算法能够根据数据集自适应地匹配从朴素贝叶斯分类器(Naive Bayesian classifier,NB)到树增强朴素贝叶斯分类器(Tree Augmented NaiveBayesian classifier,TAN)的网络结构,且保持了TAN计算简单和鲁棒性的特点.在UCI数据集上用分层交叉验证的方法对NB、TAN、FAN算法进行测试,实验结果表明FAN算法具有良好的分类精度.

邻域粗糙贝叶斯网络及其在医学数据挖掘中的应用

目的:提出基于领域粗糙集的贝叶斯网络医学数据挖掘模型,探讨肝炎肝硬化的临床分类。方法:根据所收集的355例肝硬化患者临床资料,采用领域粗糙集算法提取与肝炎肝硬化临床分类有关的生物检测指标。然后,运用树增强型贝叶斯分类器构建分类模型进行肝炎肝硬化的临床分类。结果:采用领域粗糙集贝叶斯网络分类模型进行肝炎肝硬化代偿性分类的正确率为90.91%,活动性分类正确率为94.09%,而使用BP神经网络的代偿性分类正确率为76.82%,活动性分类为85.45%。结论:领域粗糙集贝叶斯网络分类方法可以有效地进行肝炎肝硬化临床分类,并能够为临床医学诊断研究提供参考。

多种策略改进朴素贝叶斯分类器

朴素贝叶斯分类器是一种简单而高效的分类器,但是它的属性独立性假设使其无法表示现实世界属性之间的依赖关系,影响了它的分类性能。通过广泛深入的研究,对改进朴素贝叶斯分类器的多种策略进行了系统的分析和归类整理,为进一步的研究打下坚实的基础。

内部威胁身份鉴别系统的研究

监控用户的异常行为是进行冒充检测的一种有效途径,将这种方法应用到内部威胁的身份鉴别当中,用基于TAN的贝叶斯网络建立反映用户行为特征的进程信息模型,当用户行为偏离特征模型时,可以有效判断出用户的身份。实验结果表明,通过监控用户调用的进程名称和相应的进程数可以很好检测冒充攻击并且能够识别攻击者的身份。

基于Isomap的树增强朴素贝叶斯分类器的信用预测

针对信用评估问题的特点和朴素贝叶斯各属性相互独立的假设与现实存在一定差异性的问题,提出了一种基于Isomap的树增强朴素贝叶斯分类器(Isomap-TAN),该算法的思想是对高维大样本的金融数据利用Isomap算法进行降维,在此基础上运用树增强朴素贝叶斯分类算法进行类别分类。选取1069家公司的财务数据分别对朴素贝叶斯分类器(Nave Bayesian Classifier,NB)、树增强朴素贝叶斯分类器(Tree Augmented Naive Bayesian Classifier,TAN)和Isomap-TAN算法进行测试,实验结果表明Isomap-TAN算法具有较好的分类精度。

基于树增强朴素贝叶斯分类器的出租车制动系统安全状态预测

制动系统故障是引发出租车交通事故的主要原因之一,预测出租车制动系统的安全状态对于主管部门维护管理出租车、减少道路交通伤亡和经济损失具有重要意义。论文基于合肥某机动车安全技术检测站提取的335组出租车制动系统检测数据,以品牌、使用年限和整备质量为属性变量,分别构建树增强朴素贝叶斯分类器模型、决策树模型、K近邻模型预测出租车制动系统的安全状态。结果表明,树增强朴素贝叶斯分类器模型的预测准确率、灵敏度、特异性均优于决策树模型和K近邻模型,可准确预测出租车制动系统的安全状态。

贝叶斯网络在用户信用评估中的应用研究

为了弥补传统朴素贝叶斯分类器在实际应用中代价不敏感的缺点,基于最小风险准则构建朴素贝叶斯模型和树增强朴素贝叶斯网模型,通过预先设置损失矩阵,分类器可以区分各种误判情形产生的代价,利用1 000条德国信用卡样本数据进行实验。研究发现,在以损失最小为导向的用户信用评估方面,基于最小风险准则构建分类器产生的总损失更小,综合性能更好;在分类性能上,简单的朴素贝叶斯模型可与复杂的基于爬山算法建立的贝叶斯网络模型相媲美;从整体经济效益看,朴素贝叶斯模型更胜一筹。

基于KL距离的TAN分类器判别性学习方法

树增强朴素贝叶斯(TAN)分类器在模型的复杂性和分类精度之间实现较好折衷,成为当前分类器学习的一个研究热点.为了提高 TAN 分类器的分类准确率,本文提出一种基于 KL 距离的 TAN 分类器判别性学习方法.首先用 EAR 方法学习 TAN 分类器的结构,然后用基于 KL 距离的目标函数优化 TAN 的参数.在标准数据集上的实验结果表明,用该方法学习的 TAN 分类器具有较高的分类精度.

扩展的树增强朴素贝叶斯网络信用评估模型

针对信用评估问题的特点,在推导混合数据极大似然函数的基础上,提出了扩展的树增强朴素贝叶斯网络信用评估模型,用10层交叉验证在真实数据集上进行了测试并与神经网络分类模型进行了比较.测试结果表明扩展的树增强朴素贝叶斯网络信用评估模型具有较高的分类精度,在信用评估中具有优势.

扩展的树增强朴素贝叶斯分类器

树增强朴素贝叶斯分类器继承了朴素贝叶斯分类器计算简单和鲁棒性的特点,同时分类性能常常优于朴素贝叶斯分类器,然而在有连续变量的情况下要求必须进行预离散化。为了更好地表达数据的分布,减少信息损失。有必要考虑混合数据的情况。本文推导混合数据的极大似然函数,提出扩展的树增强朴素贝叶斯分类器,突破必须对连续变量进行预离散化的限制,能够在树增强朴素贝叶斯分类器的框架内处理混合变量的情况。实验测试证明其具有良好的分类精度。