从后验概率的应用看Bayes概率的意义

某厂有一条自动化生产线,根据以前的经验知它正常运转的概率是９５％。正常运转时生产９０％的合格品,不正常运转时可生产４０％的合格品。某日进行抽样检查,先抽取了一件产品,检验后发现它是合格品;又抽取了一件产品,检验后发现它是废品。根据两次抽样结果推测一下,生产线属于正常运转的概率有多大。这个问题中生产线正常运转的先验概率是９５％,现在产生了新的信息,即两次抽样中一次是合格品,一次是废品,在获取的这种新信息下,再推算生产线正常运转的概率即是后验概率,后验概率可用Ｂａｙｅｓ公式来计算。用Ａ表示生产线正常…     

基于SVM理论的一种新的数据分类方法

基于 SVM分类器在模式识别问题中有独特的优势 ,本文通过对标准 SVM模型的改造 ,提出了一种新的简单的数据分类方法 .理论分析和实验表明 ,该方法与标准 SVM分类方法相比具有处理大规模数据识别的能力且保持较高的样本识别率 ,节省存储空间等优势 .     

先验及后验概率下最优决策的选择

如何以最低代价获得最优决策方案是现代企业管理所面临的基本问题之一。在进行风险型决策过程中,若能结合抽样理论,就可以以最低的代价找到先验概率下及修正后的后验概率下选择最优决策方案。     

基于多带复数小波与最大后验概率估计法的图像去噪方法

提出一种基于多带复数小波与最大后验概率估计方法的图像去噪方法，与二带小波以及相应的去噪方法相比，性能具有明显改善。     

基于KMOD核函数的SVM方法在信用评分中的应用

本文介绍了支持向量分类机,并引入具有更好识别能力的KMOD核函数建立了SVM信用卡分类模型.利用澳大利亚和德国的信用卡数据进行了数值实验,结果表明该模型在分类准确率、支持向量方面优于基于RBF的SVM模型.     

一种通用的基于梯度的SVM核参数选取算法

核函数的选取是SVM分类器选取的核心问题.核函数的自动选取既可以提高分类器的性能,又可以减少人为的干预.因此如何自动选取核函数已经成为SVM的热点问题,但是这个问题并没有获得很好的解决.近年来对核函数参数的自动选取的研究,特别是对基于梯度的优化算法的研究取得了一定的进展.提出了一种基于梯度的核函数选取的通用算法,并进行了实验.     

基于SVM的车牌数字识别方法

运用支持向量机对车牌字符进行识别,解决了由于图像受客观条件的影响、样本数量不是很大等原因导致的识别率不高的问题.主要针对车牌字符中的数字进行实验,选取了15组数字样本,8组进行训练,7组进行测试,采用交叉验证的思想对SVM进行参数C与g的寻优,并选择合适的核函数,对样本进行训练和预测,对于某些数字的识别率可达到100%,并在相同的训练集和测试集下与BP网络的识别效果进行对比.实验结果表明,SVM在训练样本较少且无字符特征提取的情况下具有很好的识别率,并且有很好的分类推广能力.     

基于CCH的SVM几何算法及其应用

支持向量机(support vector machine(SVM))是一种数据挖掘中新型机器学习方法.提出了基于压缩凸包(compressed convex hull(CCH))的SVM分类问题的几何算法.对比简约凸包(reducedconvex hull(RCH)),CCH保持了数据的几何体形状,并且易于得到确定其极点的充要条件.作为CCH的实际应用,讨论了该几何算法的稀疏化方法及概率加速算法.数值试验结果表明所讨论的算法可降低核计算并取得较好的性能.     

基于D-S证据理论的Bayes信息融合

在Bayes统计中,验前分布的获取和表示是一个关键问题,尤其在验前信息多源型的情况下,更需要合理客观地综合利用这些信息.针对实际现实中信息的多源性和不确定性,本文给出了一种基于D-S证据理论的多源总体验前分布的融合方法,并通过实例说明了该方法在Bayes先验信息融合中的应用.     

多源验前信息下先验分布的稳健融合方法

根据多种先验分布与似然函数尾部特性的比较,给出了多源验前信息下先验分布的稳健融合方法.讨论了由该方法得到的融合先验分布的后验稳健性问题.最后的数值例子表明,由该方法得到的融合先验分布具有较好的稳健性,进一步验证了该方法的有效性.     

一种基于后验概率判决的one-by-one快速相关攻击算法(英文)

本文描述了一种基于后验概率判决的 one by one快速相关攻击算法.本文试图通过概率的观点来看待和分析快速相关攻击问题.该算法的优点有以下三点.首先,和文献[5]相比 one by one算法减少了对存储空间的需求.其次,提出了攻击失败概率的概念,并利用中心极限定理给出了它和密钥流序列长度的关系.最后,和文献[4]相比,该算法只需要更少的密钥流序列就可以达到几乎相同的攻击效果.     

一种基于支持向量机预测模型的精度提高方法与应用

介绍了支持向量机模型的特点 ,针对该模型在经济预测中的应用 ,提出了一种提高该模型预测精度的方法 ,并进行了理论分析和实际应用的验证 ,说明了该方法能够获得更加准确的预测结果 .     

基于支持向量机的制造业结构变迁趋势预测

产业结构理论一直是我国学者研究的重点问题。然而,由于产业结构的影响因素众多,因而难以建立有效的计量经济模型。本文建立了微分进化算法的支持向量机模型,有效地解决了产业结构趋势预测问题。同时,以日本主导产业的时间序列数据为例,对制造业结构变迁趋势进行了较为准确的多步预测,从而为我国当前制造业发展趋势提供了有益的借鉴。     

基于超球结构的支持向量机增量学习算法

本文首先分析了增量学习过程中支持向量与非支持向量的相互转化问题,而后在此基础上提出了基于超球结构的支持向量机增量学习算法。该算法主要利用超球结构,完成对增量学习中训练样本的选取,进而完成分类器的重构。实验表明,该算法比传统支持向量机增量学习算法具有更高的分类精度。     

基于非对称半监督集成SVM的托攻击检测方法

受推荐系统在电子商务领域重大经济利益的驱动,恶意用户以非法牟利为目的实施托攻击,操纵改变推荐结果,使推荐系统面临严峻的信息安全威胁,如何识别和检测托攻击成为保障推荐系统信息安全的关键。传统支持向量机(SVM)方法同时受到小样本和数据不均衡两个问题的制约。为此,提出一种半监督SVM和非对称集成策略相结合的托攻击检测方法。首先训练初始SVM,然后引入K最近邻法优化分类面附近样本的标记质量,利用标记数据和未标记数据的混合样本集减少对标记数据的需求。最后,设计一种非对称加权集成策略,重点关注攻击样本的分类准确率,降低集成分类器对数据不均衡的敏感性。实验结果表明,本文方法有效地解决了小样本问题和数据不均衡分布问题,获得了较好的检测效果。     

大气中臭氧含量分析预测的支向量机模型

以俄亥俄州(O h io)的气象、臭氧监测数据为基础,对一个监测点数据进行了分析处理,运用支持向量机回归方法,对气象指标的多参数样本进行学习,获得精确的支持向量机映射关系,并对臭氧含量进行预测.预测结果的误差较小,符合实际情况,能够较好的解决实际问题,说明支持向量机回归在预测上具有小的结构风险与强的泛化能力.     

一种新的基于SVM参数优化的算法

针对单纯使用遗传算法处理大规模数据需要时间长和对计算机的内存等硬件要求较高的问题,将神经网络嵌入到遗传算法中构造出混合智能遗传算法用于SVM核函数的参数优化,数值试验结果表明该算法对SVM核参数优化是可行的、有效的,并能得到较好的SVM核参数组合和具有较高的分类准确率及较好的泛化能力.     

基于灰色关联分析的模糊支持向量机中隶属度的确定

本文用灰色关联分析来替代模糊隶属度的求解,提出了一种新的有效地刻画样本不确定性的隶属度计算方法,理论上表明它是解决模糊支持向量机方法中一般使用特征空间中样本与类中心之间的距离关系构建隶属度函数的不足的方法之一,在一些特定条件下分类性能要强一些.     

基于RS和SVM的动态供应链成员选择算法

良好的成员选择方法是动态供应链平稳运行的重要基础,针对动态供应链成员选择时面临决策属性多且可供决策分析数据样本少的难题,提出了基于粗糙集和支持向量机的动态供应链成员选择算法,核心是应用粗糙集进行属性约简,然后结合支持向量机进行链上成员分类.方法在保证不会降低分类性能的前提下,达到降低数据维数和分类过程中复杂度的目的.