Ta上传的资源 (0)

现代大型机电设备的日趋复杂化和自动化导致设备故障现象和机理之间具有很大的不确定性,因此对故障诊断技术提出了 更高的要求。针对汽车发动机的工作原理及其故障知识结构特征,基于贝叶斯网络理论,以机器学习中的增量学习为基础提出和研 究了在线式贝叶斯网络结构学习方法,并利用该方法对汽车发动机故障结构网络进行在

决策树是一种分类和预测的方法,最后产生一个树型结 构:每一个叶节点包含一个类别,每一个中间节点是一个扩 展属性,每一个分枝由扩展属性值决定,树的最高层节点就 是根节点。 为了对未知数据对象进行分类识别,可以根据决策树的 结构对数据集中的属性值进行测试,从决策树的根节点到叶 节点的一条路径就形成了对应

采用贝叶斯网络学习来更新Agent关于环境和其他个体的信念,从而使Agent在协商交互中能够对协商对手的保留值动态预测,更有效地进行交互推理。并通过实验证明其可行性。

随着电子邮件的应用与普及,垃圾邮件的泛滥也越来越多地受到人们的关注。本文对基于贝叶斯的垃圾邮件过滤器的原理及其关键技术进行了详细的描述。针对朴素贝叶斯模型对分类信息过度简化和准确率低等缺点,通过引入分级的最小风险算法和对多项式和多重贝努利估计模型进行混合的方法分别对贝叶斯过滤器进行了改进,并进行了实

关系朴素贝叶斯分类算法对于目标关系表和背景关系表中不同的记录关联方式采用不同的策略,灵活运用连接和 元组ID传播技术,高效地实现了将背景关系表中的信息加入到目标关系表中一起考虑来进行分类,提高了分类正确率。该 算法采用关系数据库的数据表示方式,解决了传统的朴素贝叶斯算法不能支持关系数据库的问题。

关联规则挖掘算法Apriori 算法在挖掘频繁模式时需要产生大量的候选项集,多次扫描数据库,时空复杂度过高。 针对该算法的局限性,提出了一种通过对项编码来减少扫描数据库次数并通过删除项来减少候选项集的数量,从而提高 算法的效率。相同条件下的实验结果表明,优化后的算法能有效地提高关联规则挖掘的效率。

针对一些经典的关联规则算法进行分析,提出一种基于矩阵的高效关联规则挖掘算法。该算法把交易数据库转化为0-1 矩阵形式, 只需进行一次数据库搜索,使用逻辑运算方法发现频繁项集并计算它的支持计数,加快了频繁k 项目集的验证速度,能大量减少所需的I/O 次数,减小了存储空间。实验表明,新算法执行效率明显优

通过对Ap riori算法挖掘过程的深入分析, 提出一种改进的关联规则挖掘算法———基于事 务相似矩阵的关联规则挖掘算法(ARBSM) : 在压缩事务布尔矩阵的基础上构建一个事务相似矩 阵, 直接查找高阶K2项频繁集, 有效解决了Ap riori算法逐层搜索的迭代产生频繁项集的瓶颈问 题。测试结果表