分享到:

贝叶斯学习理论及其应用研究

贝叶斯学习理论使用概率去表示所有形式的不确定性,通过概率规则来实现学习和推理过程。贝叶斯学习的结果表示为随机变量的概率分布,它可以理解为我们对不同可能性的信任程度。本文介绍了贝叶斯学习理论的基本观点和它的研究现状与意义,并就贝叶斯网络的表达能力、学习过程和推理机制进行了研究和讨论。在此基础上,主要研究了贝叶斯学习理论中的几个关键问题:贝叶斯网络分类模型、主动贝叶斯分类器、基于贝叶斯潜在语义索引的文本挖掘和基于贝叶斯模型选择的聚类分析。本文的贡献包括以下几个方面:朴素贝叶斯分类模型和特征约简:提出了一种基于类条件分布的特征约简方法,该方法去除在各个类别中分布近似均匀的特征,从而在对概率估计影响较小的情况下,使数据的类分布熵降低。试验表明,该方法在选取与信息增益约简法同样个数的特征时,能显著提高分类的精度。同时给出了朴素贝叶斯分类模型的参数学习方法,研究了朴素贝叶斯分类器的最优性条件,指出决定贝叶斯分类的因素是最大后验概率的顺序而不  (本文共120页) 本文目录 | 阅读全文>>

华中科技大学
华中科技大学

贝叶斯网络在水电机组状态检修中的应用研究

长期以来,我国水电机组的检修工作都是贯彻预防为主的方针,采取计划检修模式,定期进行检修。但由于水电机组各零部件之间使用寿命存在个体差异,同时其运行环境和外界影响也不相同,因此,按照某一固定的检修周期对水电机组进行计划检修,势必存在检修不足和检修过剩的现象。由此可见,我国水电机组传统的检修方式确实存在较多弊端。水电机组的状态检修是一种以水电机组工作运行状态为基础的预防维修方式,亦称预知或预测维修。它根据机组的状态监测和故障诊断所提供的信息,经过统计分析和数据处理,来判断机组的劣化程度,并在机组故障发生前有计划地进行适当的维修,能显著的提高水电机组运行的可靠性和降低水电机组检修费用。水力发电机组是一个复杂的非线性动力系统,其运行过程中故障的出现和发展包含大量的不确定性影响因素,而传统的故障诊断建模理论与方法难以对大量的不确定性因素进行精确的数学描述,导致实际的水电机组状态检修系统难以得出较为精确的诊断结论,极大的影响了水电机组状态检...  (本文共130页) 本文目录 | 阅读全文>>

西安电子科技大学
西安电子科技大学

稀疏贝叶斯学习理论及应用研究

近年来,稀疏贝叶斯学习方法成为机器学习中的一个研究热点,它能够充分挖掘和利用数据的先验信息,假设先验信息的概率分布情况,对要解决的问题进行合理的数学建模,来实现低维模型的学习。由于挖掘了数据的先验信息,因此能够利用数据自身的特性对信号和图像实现最优的稀疏表示。稀疏贝叶斯学习的关键难点在于:模型的选取和先验知识的假设。在研究稀疏贝叶斯学习理论的基础上,本文深入探讨了在不同概率模型下的信号和图像稀疏建模与学习方法,主要在如下几个方面开展了工作:(1)提出一种基于快速贝叶斯匹配追踪算法(Fast Bayesian Matching pursuit,FBMP)的稀疏学习机构造方法。FBMP算法加入了稀疏系数服从混合高斯分布的假设,比传统的贪婪匹配追踪算法的性能有了显著提高。本文在分析FBMP算法性能的基础上,将该算法用于学习机的结构稀疏化,提出一种基于FBMP的稀疏学习机方法。在压缩感知框架下,进一步通过压缩采样技术得到结构更加精简的网...  (本文共62页) 本文目录 | 阅读全文>>

中国海洋大学
中国海洋大学

贝叶斯学习及其在个性化搜索和推荐应用研究

贝叶斯学习是机器学习理论中的重要研究方向。它以贝叶斯法则为基础,通过已了解的数据分布的先验知识,结合样本训练数据来估算出整体数据的数学模型。贝叶斯学习的结果是获得一组变量的联合概率分布。贝叶斯学习由于其用概率的形式来表示不确定知识,故对不确定形式的问题它有独特的描述和计算优势。通过贝叶斯学习模型来计算一组输入,模型会给出每种解结果可能发生的概率值,而不是单一的给出一个确切解。个性化搜索和推荐是当下互联网研究的一个热点,其对搜索引擎、电子商务等有重要意义。由于每个人的选择倾向会受到各种因素的影响,故个性化定制问题也是一种不确定问题。正因此,笔者在深入研究贝叶斯学习相关理论的同时,重点探究了贝叶斯学习对个性化搜索和推荐的应用性。论文的主要内容和创新如下:1.研究了贝叶斯分类器理论及其在个性化搜索应用,设计了一种应用于商品分类的贝叶斯分类器,该分类器将表示商品的属性分为两类:一种是文字描述属性,用来表述商品名称、简介和评价等;令一种是...  (本文共53页) 本文目录 | 阅读全文>>

兰州大学
兰州大学

基于贝叶斯决策理论的局部分类方法研究及其应用

分类是机器学习和数据挖掘领域的一项重要研究内容。在分类问题中,通常需要建立一个由已知类标号的样本组成的训练集,然后根据训练集中的样本对新的未知类标号的样本进行分类,即对每个未知样本预测其类标号。局部学习是机器学习领域的一个重要方法,它通过对训练集中的部分样本进行学习,建立某个局部区域的专有学习模型。局部分类就是利用局部学习来解决分类问题的方法,由于局部分类模型是根据与待测样本点非常相关的一个局部区域的样本点建立的,因此更能反映待测样本的信息,可以对其进行准确分类。k-最近邻法(kNN)作为局部分类的一个具体化算法,由于其简单、易理解、易实现等特点,在机器学习、模式识别和数据挖掘等领域有着广泛的研究和应用。目前对局部分类的研究,主要是在kNN的基础上进行的,缺乏对局部分类进行系统的研究。本文以贝叶斯决策理论为基础,以局部概率模型为核心思想,对局部分类进行深入研究和探讨,提出了局部分类方法的一般形式,并据此实现局部分类的概率输出。此...  (本文共130页) 本文目录 | 阅读全文>>

苏州大学
苏州大学

贝叶斯量子随机学习算法及应用研究

Thomas.Bayes在他的论文“关于几率性求解问题的评论”(1764)中首先提出了贝叶斯概率观点。1988年Pearl出版了关于贝叶斯网络(Bayesian Networks, BNs)的第一本书籍。近年来,贝叶斯学习方法及其相关的一系列算法已成为机器学习方法中比较活跃的方法之一。本文在贝叶斯学习算法中引入量子计算机制,主要做了以下一些工作:给出了基于量子表示的贝叶斯网络学习模型;将量子搜索算法引入到贝叶斯网络的结构学习中,与基于评分和搜索的网络结构学习算法比较,表现出较好的时间性能;将量子正交变换引入到贝叶斯网络的参数学习中,在信息有限的小样本数据集上体现出较好的分类性能;将基于量子的随机搜索算法用于从具有缺失数据的网络中进行有效的学习;将贝叶斯量子随机学习算法用于人脸表情的分类。本文的特色主要体现在:(1)提出了贝叶斯量子随机学习模型并给出了相关的随机学习算法;(2)将贝叶斯量子随机学习算法应用于贝叶斯网络的结构学习﹑参...  (本文共90页) 本文目录 | 阅读全文>>