基于用户反馈的个性化垃圾邮件过滤方法

如何在传统垃圾邮件过滤技术基础上实现垃圾邮件个性化过滤是垃圾邮件过滤领域的重要课题。提出一种基于用户反馈的个性化垃圾邮件过滤方法,一方面将用户反馈应用于邮件分类特征的更新,提取用户个性化邮件分类标准;另一方面,将全局邮件分类标准和用户个性化分类标准综合应用于朴素贝叶斯分类过程,实现用户邮件个性化分类。仿真实验结果表明,在用户邮件分类标准存在差异的环境下,基于用户反馈的个性化垃圾邮件过滤方法能够有效提升传统垃圾邮件过滤技术的邮件分类效果。     

贝叶斯网络结构学习研究

针对贝叶斯网络结构学习方法难以兼顾高准确率和高效率的问题,提出了一种基于Markov Chain Monte Carlo(MCMC)方法的贝叶斯网络结构学习方法的改进。改进包括:使用依赖关系分析,利用统计学的方法对采样空间进行大幅缩减,能够在精确控制准确度的情况下大幅提高时间效率;结合先验知识,从理论角度将先验知识融入评分中得到完全服从后验分布的结果;搜索最优子结构,对于特定的一些结构搜索最优子结构而不是采用贪心的方法,提高了贝叶斯网络结构学习的准确率。通过理论分析可以证明时间复杂度得到了大幅的降低。并且可以在牺牲可预知的准确率的情况下,将指数时间复杂度降为线性时间。大量的数据实验表明,经改进后的方法在时间和准确性上都具有良好的表现。     

SDON中基于贝叶斯模型的流量预测机制

SDON(软件定义光网络)是光网络发展的最新趋势。为了进一步提高 SDON 的智能化和对业务的动态支持,利用短期的业务流量特性预测较为长期的流量显得日益重要。文章提出了一种基于贝叶斯模型的流量预测机制,该机制充分利用贝叶斯模型对 SDON的业务流量进行长期预测。仿真结果验证了该机制的准确性和有效性。     

基于故障树的贝叶斯网络分析方法在车载网络信息系统故障诊断中的应用

由于故障树分析方法在故障诊断中存在一定局限性,通过研究贝叶斯网络在故障诊断的应用,给出了故障树向贝叶斯网络转化的方法。然后通过对某车载网络信息系统的无线通信系统进行了分析,证明基于贝叶斯网络的故障树分析方法可以有效应用于车载网络信息系统故障诊断。     

先验知识下的不确定作战行动过程设计

作战行动过程设计是网络化条件下建立高效指控组织体系中的重要环节, 对组织的高效运行具有重要意义。针对已知先验信息条件下, 如何在动态战场环境下快速寻找最优行动过程问题, 结合动态贝叶斯网和学习型遗传算法(LGA), 构建了基于DBNs的C2组织行动过程问题的数学模型。将先验信息与条件概率表(CPT)相结合, 运用LGA算法寻找最优行动过程。通过仿真实验验证了具有先验知识条件下基于DBNs的行动过程模型以及模型求解方法的可行性和有效性。     

云计算任务调度算法的改进

云环境下的工作流,进行合理的任务调度,可以克服地理限制,节省资源,从而提高用户的满意度。本文提出改进算法:快速非支配排序贝叶斯算法NSGAboa,该算法是快速非支配排序算法NSGAII和贝叶斯算法BOA的结合,根据种群中个体间的分布收敛程度来改变产生个体的方法,利用了种群个体信息和全局信息。实验证明该算法使得最优解的分布更加均匀,加快了个体产生的速度,缩短了种群的收敛速度。     

基于非参数贝叶斯方法的随机波动建模与应用

本文利用非参数贝叶斯方法进行随机波动建模。通常的参数随机波动模型适用于证券市场中的综合指数数据,而对个股数据和小范围指数数据的拟合效果较差,主要原因是其收益率数据的变化规律更为复杂、具有更厚的尾部行为,而非参数贝叶斯方法的随机波动模型无需进行分布假设,具有很强的灵活性。本文利用SV-DPM模型对IBM的股票价格数据和上证50指数数据进行建模,研究发现非参数随机波动模型能拟合参数随机波动模型难以扑捉到的数据特征,实证表明有充分的依据支持非参数贝叶斯随机波动模型。论文的研究有助于捕捉金融资产的时变波动性质,能更好的揭示金融市场的运行规律,为期权定价和金融风险管理提供依据,对于防范与控制金融风险有着重要意义。     

极端气候事件的预测和估计

<正>现代社会中,气候预测和估计是城市规划设计中的重要一环。其中极端气候的估计尤其关键,因为极端气候的发生有可能对城市和居民造成极极大的损失,同时需要采用不同程度的救急措施施和救急设施。在城市规划时,则需要针对可能能出现的极端气候事件和极端气候事件程度,做做出相应的公共设施分配和管理方案以应对这些些事件。近年内较著名的极端气候事件有2003     

Short Texts Classification Through Reference Document Expansion

With the rapid development of information technology, short texts arising from socialized human inter- action are gradually predominant in network information streams. Accelerating demands are requiring the industry to provide more effective classification of the brief texts. However, faced with short text documents, each of which contains only a few words, traditional document classifi- cation models run into difficulty. Aggressive documents expansion works remarkably well for many cases but suf- fers from the assumption of independent, identically dis- tributed observations. We formalize a view of classification using Bayesian decision theory, treat each short text as ob- servations from a probabilistic model, called a statistical language model, and encode classification preferences with a loss function defined by the language models and the ex- ternal reference document. According to Vapnik＇s meth- ods of Structural risk minimization （SRM）, the optimal classification action is the one that minimizes the struc- tural risk, which provides a result that allows one to trade off errors on the training sample against improved gener- alization performance. We conduct experiments by using several corpora of microblog-like data, and analyze the ex- perimental results. With respect to established baselines, results of these experiments show that applying our pro- posed document expansion method produces better chance to achieve the improved classification performance.     

贝叶斯网络结构学习研究

针对贝叶斯网络结构学习方法难以兼顾高准确率和高效率的问题,提出了一种基于Markov Chain Monte Carlo(MCMC)方法的贝叶斯网络结构学习方法的改进.改进包括:使用依赖关系分析,利用统计学的方法对采样空间进行大幅缩减,能够在精确控制准确度的情况下大幅提高时间效率;结合先验知识,从理论角度将先验知识融入评分中得到完全服从后验分布的结果;搜索最优子结构,对于特定的一些结构搜索最优子结构而不是采用贪心的方法,提高了贝叶斯网络结构学习的准确率.通过理论分析可以证明时间复杂度得到了大幅的降低.并且可以在牺牲可预知的准确率的情况下,将指数时间复杂度降为线性时间.大量的数据实验表明,经改进后的方法在时间和准确性上都具有良好的表现.