基于高斯混合模型的遥感影像连续型朴素贝叶斯网络分类器

提出了一种新的嵌入高斯混合模型(GMM,Gaussian Mixture Model)遥感影像朴素贝叶斯网络模型GMM-NBC(GMMbased Na ve Bayesian Classifier)。针对连续型朴素贝叶斯网络分类器中假设地物服从单一高斯分布的缺点,该方法将地物在特征空间的分布用高斯混合模型来模拟,用改进EM算法自动获取高斯混合模型的参数;高斯混合模型整体作为一个子节点嵌入朴素贝叶斯网络中,将其输出作为节点(特征)的中间类后验概率,在朴素贝叶斯网络的框架下进行融合获得最终的类后验概率。对多光谱和高光谱数据的分类实验结果表明,该方法较传统贝叶斯分类器分类效果要好,且有较强的鲁棒性。

基于贝叶斯信念网的网络流量分类与识别研究

网络流量分类识别技术是许多网络研究和应用领域的基础,但随着动态端口、端口伪装和信息加密等技术的使用,传统的纯端口识别法已不再有效。提出一种基于贝叶斯信念网的网络流量分类方法,通过使用有向无环图和结点概率表,很好地解决了流属性之间条件独立的问题。对真实网络流量数据的测试结果表明,这种方法具有稳定可靠的分类识别效果。

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。

基于DPI和机器学习的网络流量分类方法

网络流量分类是实现网络管理的重要技术之一,但是单一的基于DPI或是机器学习的分类方法分类精确度低。提出了一种基于DPI和机器学习相结合的网络流量分类方法。该方法采用DPI检测已知特征的网络流量,利用机器学习方法辅助分析未知特征以及加密的网络流。实验表明该方法能够提高网络流量分类的精确度。

动态朴素贝叶斯网络分类器的特征子集选择

分类准确性是分类器最重要的性能指标,特征子集选择是提高分类器分类准确性的一种有效方法。现有的特征子集选择方法主要针对静态分类器,缺少动态分类器特征子集选择方面的研究。首先给出具有连续属性的动态朴素贝叶斯网络分类器和动态分类准确性评价标准,在此基础上建立动态朴素贝叶斯网络分类器的特征子集选择方法,并使用真实宏观经济时序数据进行实验与分析。