1. 樸素貝葉斯算法（Naive Bayes） 樸素貝葉斯算法是一種基于貝葉斯定理，通過(guò)計(jì)算P(Y|X)來(lái)預(yù)測(cè)X對(duì)應(yīng)的Y的概率的算法。其中P(Y|X)表示在知道X的條件下Y發(fā)生的概率，P(X|Y)表示在知道Y的條件下X發(fā)生的概率，P(Y)和P(X)是先驗(yàn)概率。這種算法適用于分類問題，例
2023-08-24 15:40:10
558 電子發(fā)燒友網(wǎng)站提供《PyTorch教程22.9之樸素貝葉斯.pdf》資料免費(fèi)下載
2023-06-06 09:22:30
0 在眾多機(jī)器學(xué)習(xí)分類算法中，本篇我們提到的樸素貝葉斯模型，和其他絕大多數(shù)分類算法都不同，也是很重要的模型之一。
2023-01-16 10:11:21842 
深度學(xué)習(xí)已經(jīng)徹底改變了機(jī)器學(xué)習(xí)系統(tǒng)及其功能，但它不一定是最適合所有任務(wù)的方法。對(duì)于其他類型的應(yīng)用程序，使用傳統(tǒng)的模式識(shí)別方法（如邏輯回歸、樸素貝葉斯或 k 均值聚類）可能更合適。因此，選擇正確的機(jī)器學(xué)習(xí)算法的標(biāo)準(zhǔn)是必要的。這些標(biāo)準(zhǔn)描述如下。
2022-12-02 14:49:00364 
有用labview做貝葉斯網(wǎng)絡(luò)進(jìn)行故障診斷的朋友嗎？我雖然有些labview基礎(chǔ),但對(duì)貝葉斯網(wǎng)絡(luò)、故障診斷是剛開始學(xué)，有的話多指導(dǎo)啊，共同進(jìn)步！
2012-03-10 19:26:38
樸素貝葉斯（ NB ）是一種簡(jiǎn)單但功能強(qiáng)大的概率分類技術(shù)，具有良好的并行性，可以擴(kuò)展到大規(guī)模數(shù)據(jù)集。
2022-10-10 14:50:41663 
簡(jiǎn)述對(duì)貝葉斯公式的基本理解
2021-10-18 10:01:460 樸素貝葉斯方法是在貝葉斯算法的基礎(chǔ)上進(jìn)行了相應(yīng)的簡(jiǎn)化，即假定給定目標(biāo)值時(shí)屬性之間相互條件獨(dú)立。也就是說(shuō)沒有哪個(gè)屬性變量對(duì)于決策結(jié)果來(lái)說(shuō)占有著較大的比重，也沒有哪個(gè)屬性變量對(duì)于決策結(jié)果占有著較小的比重
2021-10-02 17:14:008129 針對(duì)已有協(xié)同過(guò)濾推薦技術(shù)中評(píng)分矩陣極度稀疏問題，提岀了一種基于低秩矩陣填充技術(shù)的推薦算法。該算法從貝葉斯框架出發(fā)，提出了能夠解決低秩矩陣問題的分層高斯先驗(yàn)?zāi)Ｐ?，并將廣乂近似消息傳遞算法嵌λ到貝葉斯
2021-06-19 11:43:5614 為準(zhǔn)確評(píng)估計(jì)算機(jī)網(wǎng)絡(luò)的脆弱性，結(jié)合貝葉斯網(wǎng)絡(luò)與攻擊圖提出一種新的評(píng)估算法。構(gòu)建攻擊圖模型RSAG，在消除攻擊圖中環(huán)路的基礎(chǔ)上，將模型轉(zhuǎn)換成貝葉斯網(wǎng)絡(luò)攻擊圖模型BNAG，引人節(jié)點(diǎn)攻擊難度和節(jié)點(diǎn)狀態(tài)變遷
2021-06-11 14:23:279 樸素貝葉斯（NB）算法應(yīng)用于文本分類時(shí)具有簡(jiǎn)單性和高效性，但算法中屬性獨(dú)立性與重要性一致的假設(shè)，使其在精確度方面存在瓶頸。針對(duì)該問題，提出一種基于泊松分布的特征加權(quán)NB文本分類算法。結(jié)合泊松分布模型
2021-05-28 11:30:244 今天想談的問題是：什么是貝葉斯優(yōu)化/Bayesian Optimization，基本用法是什么？ 本文的定位是：幫助未接觸、僅聽說(shuō)過(guò)、初次接觸貝葉斯優(yōu)化的小白們一文看懂什么是貝葉斯優(yōu)化和基本用法
2021-04-09 11:26:4113957 
和樸素貝葉斯等四個(gè)門類。 1. 聚類算法：k-means 聚類算法的目標(biāo)：觀察輸入數(shù)據(jù)集，并借助數(shù)據(jù)集中不同樣本的特征差異來(lái)努力辨別不同的數(shù)據(jù)組。聚類算法最強(qiáng)大之處在于，它不需要本文中其他算法所需的訓(xùn)練過(guò)程，您只需簡(jiǎn)單地提供數(shù)據(jù)，告訴算法你想創(chuàng)造多少簇（樣本的組別）
2021-03-24 16:14:315583 分類問題是數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)領(lǐng)域硏究的重點(diǎn)問題，貝葉斯網(wǎng)絡(luò)模型因其簡(jiǎn)單髙效的特點(diǎn)而廣泛應(yīng)用于分類問題。一依賴估測(cè)器（ODE）模型作為半監(jiān)督學(xué)習(xí)貝葉斯網(wǎng)絡(luò)模型中的經(jīng)典模型，受到研究人員的廣泛關(guān)注?，F(xiàn)有
2021-03-17 15:05:1012 的互信息特征選擇算法，從而實(shí)現(xiàn)更高效的特征降維。針對(duì)樸素貝葉斯分類算法的獨(dú)立性假設(shè)問題，在樸素貝葉斯分類時(shí)使用改進(jìn)互信息值進(jìn)行特征加權(quán)，消除部分樸素貝葉斯條件獨(dú)立性假設(shè)對(duì)郵件分類的不利影響。實(shí)驗(yàn)結(jié)果表明，相
2021-03-16 10:15:1612 本文介紹了10大常用機(jī)器學(xué)習(xí)算法，包括線性回歸、Logistic回歸、線性判別分析、樸素貝葉斯、KNN、隨機(jī)森林等。
2020-11-20 11:10:042284 互聯(lián)網(wǎng)中存在的內(nèi)部威脅具有隱蔽性高、難以管理等特點(diǎn)。為此，建立一種針對(duì)內(nèi)部威脅的貝葉斯網(wǎng)絡(luò)攻擊圖（ＢＮＡＧ）模型。將攻擊者在攻擊過(guò)程中的行為作為研究對(duì)象，以行為在其動(dòng)作期間的資源指向?yàn)榛A(chǔ)，通過(guò)
2020-07-27 16:52:528 為了實(shí)現(xiàn)非結(jié)構(gòu)化道路檢測(cè)與障礙物的識(shí)別，提出了一種基于最小錯(cuò)誤率貝葉斯決策與 Hough變換相結(jié)合的非結(jié)構(gòu)化道路檢測(cè)與障礙物識(shí)別算法。算法首先將Otsu多閾值理論引入到最小錯(cuò)誤率貝葉斯決策中并進(jìn)
2020-07-06 17:45:587 針對(duì)室內(nèi)WiFi和藍(lán)牙單獨(dú)定位時(shí)信標(biāo)覆蓋有限以及定位精度較低的問題，提出一種基于WiFi與藍(lán)牙定位數(shù)據(jù)的優(yōu)化貝葉斯融合定位算法。利用高斯核函數(shù)對(duì)WiFi及藍(lán)牙單獨(dú)定位結(jié)果處理后作為先驗(yàn)樣本信息，通過(guò)
2020-07-06 11:17:2231 樸素貝葉斯方法是一組基于貝葉斯定理的監(jiān)督學(xué)習(xí)算法，在給定類變量值的情況下，樸素假設(shè)每對(duì)特征之間存在條件獨(dú)立性。下面我將介紹幾種樸素貝葉斯的方法。
2019-05-06 09:29:449020 本視頻主要詳細(xì)介紹了數(shù)據(jù)挖掘常用算法，分別是樸素貝葉斯、邏輯回歸（logisticregression）、最近鄰算法——KNN、決策樹、Adaboosting。
2019-04-10 16:32:3312713 為解決現(xiàn)有標(biāo)簽數(shù)量估計(jì)算法中估計(jì)精度與復(fù)雜度之間的矛盾，在分析比較現(xiàn)有算法的基礎(chǔ)上，提出一種基于序貫線性貝葉斯的射頻識(shí)別（ RFID）標(biāo)簽數(shù)量估計(jì)算法。首先，基于線性貝葉斯理論，充分利用空閑、成功
2018-11-16 15:37:306 為了大家可以對(duì)貝葉斯算法有更多的了解，為大家整理過(guò)一篇關(guān)于貝葉斯算法的文章。今天將為大家介紹利用貝葉斯統(tǒng)計(jì)的一個(gè)實(shí)踐案例。通項(xiàng)目實(shí)踐達(dá)到學(xué)以致用的目的，相信大家對(duì)貝葉斯統(tǒng)計(jì)的理解和掌握都可以更深入，提煉出更精煉的內(nèi)容。
2018-07-16 17:15:3213518 樸素貝葉斯法是基于貝葉斯定理與特征條件獨(dú)立假設(shè)的分類方法，是經(jīng)典的機(jī)器學(xué)習(xí)算法之一，處理很多問題時(shí)直接又高效，因此在很多領(lǐng)域有著廣泛的應(yīng)用，如垃圾郵件過(guò)濾、文本分類等。也是學(xué)習(xí)研究自然語(yǔ)言處理問題的一個(gè)很好的切入口。
2018-07-01 08:37:3933612 
學(xué)習(xí)過(guò)概率的人一定知道貝葉斯定理，在信息領(lǐng)域內(nèi)有著無(wú)與倫比的地位。貝葉斯算法是基于貝葉斯定理的一類算法，主要用來(lái)解決分類和回歸問題。人工智能之機(jī)器學(xué)習(xí)中最為廣泛的兩種分類模型是1）決策樹模型（Decision Tree Model）和2） 樸素貝葉斯模型（Naive Bayesian Model）。
2018-05-29 09:01:00636 目前的多數(shù)故事線挖掘研究側(cè)重新聞文獻(xiàn)和事件的相似性分析，忽略了故事線的結(jié)構(gòu)化表述及新聞具有的延時(shí)性，無(wú)法直觀地從模型結(jié)果看出不同新聞話題的發(fā)展過(guò)程。為此，提出一種基于貝葉斯網(wǎng)絡(luò)的無(wú)監(jiān)督故事線挖掘算法
2018-04-24 14:51:3218 針對(duì)在文本分類中先驗(yàn)概率的計(jì)算比較費(fèi)時(shí)而且對(duì)分類效果影響不大、后驗(yàn)概率的精度損失影響分類準(zhǔn)確率的現(xiàn)象，對(duì)經(jīng)典樸素貝葉斯分類算法進(jìn)行了改進(jìn)，提出了一種先抑后揚(yáng)（抑制先驗(yàn)概率的作用，擴(kuò)大后驗(yàn)概率
2018-03-05 11:19:590 貝葉斯分類算法是統(tǒng)計(jì)學(xué)的一種分類方法，其分類原理就是利用貝葉斯公式根據(jù)某對(duì)象的先驗(yàn)概率計(jì)算出其后驗(yàn)概率，然后選擇具有最大后驗(yàn)概率的類作為該對(duì)象所屬的類。 之所以稱之為樸素，是因?yàn)?b style="color: red">貝葉斯分類只做最原始
2018-02-28 10:17:252 本文介紹機(jī)器學(xué)習(xí)中一種基于概率的常見的分類方法，樸素貝葉斯，之前介紹的KNN, decision tree 等方法是一種 hard decision，因?yàn)檫@些分類器的輸出只有0 或者 1，樸素貝葉斯
2018-02-03 14:37:014751 
怎樣通俗易懂地解釋貝葉斯網(wǎng)絡(luò)和它的應(yīng)用？詳情請(qǐng)看下文。貝葉斯網(wǎng)絡(luò)是一個(gè)用嚴(yán)格的數(shù)學(xué)方法來(lái)模擬一個(gè)世界的方法，是靈活的，適應(yīng)于任何你擁有的知識(shí)程度的方法，同時(shí)也是計(jì)算效率的方法。
2018-02-02 16:09:163603 
貝葉斯算法描述及實(shí)現(xiàn)根據(jù)樸素貝葉斯公式，每個(gè)測(cè)試樣例屬于某個(gè)類別的概率= 所有測(cè)試樣例包含特征詞類條件概率P（tk|c）之積* 先驗(yàn)概率P（c） 在具體計(jì)算類條件概率和先驗(yàn)概率時(shí)，樸素貝葉斯分類器有兩種模型
2018-02-02 15:54:016897 
前言 大家經(jīng)?？吹降?b style="color: red">貝葉斯公式（Bayes）是寫成如下圖的形式，通常以P（A|B），P（B|A）的形式表示，雖然數(shù)學(xué)上看著簡(jiǎn)單，那到底A，B是什么意思，應(yīng)該怎么去理解呢，然后怎么運(yùn)用于實(shí)際情況呢
2018-02-02 14:13:062885 
來(lái)描述變量之間的相互關(guān)系。隨著近年來(lái)信息科技的發(fā)展，貝a斯網(wǎng)絡(luò)被廣泛應(yīng)用于各領(lǐng)域，如工業(yè)生產(chǎn)應(yīng)用、金融預(yù)測(cè)分析、計(jì)算機(jī)系統(tǒng)、生物信息處理等。 在引入最大信息系數(shù)的基礎(chǔ)上，提出一種改進(jìn)的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法。在給定數(shù)據(jù)集的條件下，基
2018-01-30 17:48:190 針對(duì)CLINK算法在路由改變時(shí)擁塞鏈路推理性能下降的問題，建立一種變結(jié)構(gòu)離散動(dòng)態(tài)貝葉斯網(wǎng)模型，通過(guò)引入馬爾可夫性及時(shí)齊性假設(shè)簡(jiǎn)化該模型，并基于簡(jiǎn)化模型提出一種IP網(wǎng)絡(luò)擁塞鏈路推理算法（VSDDB
2018-01-16 18:46:260 方法。首先，結(jié)合軟件缺陷研究領(lǐng)域與克隆演化領(lǐng)域的相關(guān)研究成果，提出了兩大類表征克隆代碼信息的特征，分別是靜態(tài)特征和演化特征；其次，通過(guò)貝葉斯網(wǎng)絡(luò)核心算法來(lái)構(gòu)建克隆有害性預(yù)測(cè)模型；最后，預(yù)測(cè)有害克隆代碼發(fā)生
2017-12-26 16:32:330 本文主要介紹了4 種應(yīng)用比較普遍的的機(jī)器學(xué)習(xí)算法，但是機(jī)器學(xué)習(xí)算法還有其他很多不同的算法，大家感興趣的可以自己去了解。 樸素貝葉斯分類是基于貝葉斯定理與特征條件獨(dú)立假設(shè)的分類方法，發(fā)源于古典數(shù)學(xué)理論，擁有穩(wěn)定的數(shù)學(xué)基礎(chǔ)和分類效率。
2017-12-26 14:45:0225949 基于模式的貝葉斯分類模型是解決數(shù)據(jù)挖掘領(lǐng)域分類問題的一種有效方法，然而，大多數(shù)基于模式的貝葉斯分類器只考慮模式在目標(biāo)類數(shù)據(jù)集中的支持度，而忽略了模式在對(duì)立類數(shù)據(jù)集合中的支持度．此外。對(duì)于高速動(dòng)態(tài)變化
2017-12-25 14:51:350 針對(duì)二元關(guān)聯(lián)法（BR）未考慮標(biāo)簽之間相關(guān)性，容易造成分類器輸出在訓(xùn)練集中不存在或次數(shù)較少標(biāo)簽的不足，提出了基于貝葉斯模型的多標(biāo)簽分類算法（ MLBM）和馬爾可夫型多標(biāo)簽分類算法（MMLBM）。首先
2017-12-25 13:50:051 受到關(guān)注。通過(guò)改進(jìn)詞頻一逆文檔頻率（ TF-IDF），考慮到詞條在類間和類內(nèi)出現(xiàn)情況對(duì)文本分類的影響，提出一種基于軟件錯(cuò)誤報(bào)告數(shù)據(jù)集的改進(jìn)多項(xiàng)式樸素貝葉斯算法，同時(shí)在Hadoop平臺(tái)下使用MapReduce計(jì)算模型實(shí)現(xiàn)該算法的分布式版本
2017-12-18 11:25:560 這里我們討論Hinton和統(tǒng)計(jì)大神Jordan的強(qiáng)強(qiáng)發(fā)力的領(lǐng)域。當(dāng)Bayes網(wǎng)絡(luò)發(fā)展到高級(jí)階段， 概率圖模型使得計(jì)算成為問題，由此開啟了Variational Bayes領(lǐng)域。在“變の貝葉斯”里面
2017-12-15 14:37:3013748 針對(duì)航班保障服務(wù)時(shí)間估計(jì)的問題，考慮到航班保障服務(wù)流程的特殊性、復(fù)雜性以及影響因素的不確定性，提出了一種基于貝葉斯網(wǎng)絡(luò)（BN）的航班保障服務(wù)時(shí)間估計(jì)模型。該模型把航空領(lǐng)域的專家知識(shí)與歷史數(shù)據(jù)的機(jī)器
2017-12-07 14:28:190 針對(duì)類屬型數(shù)據(jù)聚類中對(duì)象間距離函數(shù)定義的困難問題，提出一種基于貝葉斯概率估計(jì)的類屬數(shù)據(jù)聚類算法。首先，提出一種屬性加權(quán)的概率模型，在這個(gè)模型中每個(gè)類屬屬性被賦予一個(gè)反映其重要性的權(quán)重；其次，經(jīng)過(guò)貝葉
2017-12-04 16:42:240 高級(jí)自動(dòng)控制算法：BP算法及其matlab實(shí)現(xiàn)
2017-12-02 11:45:472 針對(duì)主成分分析一貝葉斯判別法（ PCA-BDA）僅支持安全評(píng)價(jià)但不能發(fā)現(xiàn)危險(xiǎn)因素的問題，引入屬性重要度的概念，提出一種改進(jìn)的PCA-BDA算法，并將其應(yīng)用于石油鉆井安全評(píng)價(jià)。首先，使用原始
2017-12-01 16:45:461 樸素貝葉斯法是基于貝葉斯定理與特征條件獨(dú)立假設(shè)的分類方法。最為廣泛的兩種分類模型是決策樹模型（Decision Tree Model）和樸素貝葉斯模型（Naive Bayesian Model，NBM）。和決策樹模型相比，樸素貝葉斯分類器
2017-11-30 17:11:342945 
今天介紹機(jī)器學(xué)習(xí)中一種基于概率的常見的分類方法，樸素貝葉斯，之前介紹的KNN, decision tree 等方法是一種 hard decision，因?yàn)檫@些分類器的輸出只有0 或者 1，樸素貝葉斯
2017-11-25 12:49:071221 
，以及空間飛行系統(tǒng)的高速機(jī)動(dòng)性，無(wú)線信道傳輸質(zhì)量會(huì)發(fā)生動(dòng)態(tài)的變化，一般的壓縮算法無(wú)法很好地適應(yīng)這種時(shí)變特性。為此，提出一種基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的健壯報(bào)頭壓縮算法DBROHC。DBROHC根據(jù)解壓端離散的歷史丟包觀測(cè)序列，動(dòng)態(tài)調(diào)整
2017-11-23 16:58:5413 Android系統(tǒng)手機(jī)取證的電子證據(jù)進(jìn)行相應(yīng)的數(shù)據(jù)分析，能更方便和直觀的發(fā)現(xiàn)手機(jī)信息中的重點(diǎn)與需要關(guān)注的目標(biāo)對(duì)象。在本文中應(yīng)用了樸素貝葉斯分類算法對(duì)數(shù)據(jù)中各聯(lián)系人進(jìn)行分類，而樸素貝葉斯分類算法的條件獨(dú)立性假設(shè)是非?？量痰?，很難
2017-11-23 16:34:300 K-modes算法中原有的分類變量間距離度量方法無(wú)法體現(xiàn)屬性值之間差異，對(duì)此提出了一種基于樸素貝葉斯分類器中間運(yùn)算結(jié)果的距離度量。該度量構(gòu)建代表分類變量的特征向量并計(jì)算向量間的歐氏距離作為變量間
2017-11-23 14:18:510 為了在降低資源能耗和帶寬占用情況下，提高無(wú)線傳感器網(wǎng)絡(luò)WSNs移動(dòng)目標(biāo)定位跟蹤的精度，提出了基于KullbackLeibler分歧的變分濾波的WSNs貝葉斯移動(dòng)目標(biāo)定位跟蹤算法。首先，利用高斯
2017-11-17 14:57:202 偏差和方差與模型復(fù)雜度的關(guān)系使用下圖更加明了： 當(dāng)模型復(fù)雜度上升的時(shí)候，偏差會(huì)逐漸變小，而方差會(huì)逐漸變大。 常見算法優(yōu)缺點(diǎn) 1.樸素貝葉斯 樸素貝葉斯屬于生成式模型（關(guān)于生成模型和判別式模型，主要
2017-09-29 16:18:197 優(yōu)中擇優(yōu)。但是每次都進(jìn)行這一操作不免過(guò)于繁瑣，下面小編來(lái)分析下各個(gè)算法的優(yōu)缺點(diǎn)，以助大家有針對(duì)性地進(jìn)行選擇，解決問題。 1.樸素貝葉斯 樸素貝葉斯的思想十分簡(jiǎn)單，對(duì)于給出的待分類項(xiàng)，求出在此項(xiàng)出現(xiàn)的條件下各個(gè)類
2017-09-19 15:17:137 貝葉斯網(wǎng)絡(luò)
2017-03-31 10:40:172 基于貝葉斯網(wǎng)絡(luò)的WSNs鏈路質(zhì)量評(píng)估機(jī)制研究_劉松
2017-03-19 19:11:450 基于改進(jìn)樸素貝葉斯的入侵檢測(cè)方法_孫程
2017-02-27 19:07:370 基于變量分組貝葉斯網(wǎng)絡(luò)的安全態(tài)勢(shì)評(píng)估方法_董博
2017-02-27 19:02:570 基于貝葉斯壓縮感知理論的超寬帶通信信道估計(jì)_王蔚東
2017-01-07 16:00:430 利用FPGA實(shí)現(xiàn)信號(hào)處理算法是一個(gè)難度頗高的應(yīng)用，不僅涉及到對(duì)信號(hào)處理算法、FPGA芯片和開發(fā)工具的學(xué)習(xí)，還意味著要改變傳統(tǒng)利用軟件在DSP上實(shí)現(xiàn)算法的習(xí)慣，從面向硬件實(shí)現(xiàn)的算法設(shè)計(jì)、硬件實(shí)現(xiàn)、結(jié)構(gòu)優(yōu)化和算法驗(yàn)證等多個(gè)方面進(jìn)行深入學(xué)習(xí)。
2016-12-26 17:26:4112 基于貝葉斯網(wǎng)絡(luò)的智能變電站風(fēng)險(xiǎn)關(guān)聯(lián)模型_曲朝陽(yáng)
2016-12-16 15:48:480 器）、第二代神經(jīng)網(wǎng)絡(luò)（非線性）及其在預(yù)測(cè)領(lǐng)域的應(yīng)用，到支持向量機(jī)，最后是深度學(xué)習(xí)。第二條主線是貝葉斯理論，從樸素貝葉斯算法到貝葉斯網(wǎng)，最后是隱馬爾科夫模型，這部分屬于智能推理的范疇。
2015-12-08 17:48:4675 模糊濾波的mamdani算法及其Matlab實(shí)現(xiàn)
2015-11-17 18:23:0140 貝葉斯 是基于概率的一種算法，是Thomas Bayes：一位偉大的數(shù)學(xué)大師所創(chuàng)建的。貝葉斯理論假設(shè)：如果事件的結(jié)果不確定，那么量化它的唯一方法就是事件的發(fā)生概率。如果過(guò)去試驗(yàn)中事
2011-06-01 17:58:3946 由于故障樹分析方法在可靠性分析中存在局限性,研究貝葉斯網(wǎng)絡(luò)在可靠性分析中的應(yīng)用,給出了故障樹向貝葉斯網(wǎng)絡(luò)轉(zhuǎn)化的方法,以及基于貝葉斯網(wǎng)絡(luò)求解頂事件發(fā)生概率的算法.最后
2010-02-21 10:24:2114 提出了融合2DPCA 和貝葉斯的人臉識(shí)別方法。首先用2DPCA 方法進(jìn)行識(shí)別，選擇得分前10 名的圖像作為候選圖像，然后對(duì)候選圖像和測(cè)試圖像進(jìn)行小波分解，對(duì)得到的高頻與低頻子圖并
2010-01-22 15:38:404 為了提高最小二乘支持向量機(jī)的魯棒性，介紹了加權(quán)最小二乘支持向量機(jī)，給出了確定加權(quán)向量的一般方法。并介紹了基于貝葉斯框架的加權(quán)LS-SVM參數(shù)的優(yōu)化方法，利用它建立了
2010-01-09 14:02:009 貝葉斯網(wǎng)絡(luò)是以概率理論為基礎(chǔ)的不確定知識(shí)表示模型，貝葉斯網(wǎng)絡(luò)推理的目的是得到隨機(jī)變量的概率分布。目前，最流行的推理算法是聯(lián)合樹算法，它的主要思想是將貝葉斯網(wǎng)絡(luò)
2009-08-15 09:34:1637 本文針對(duì)垃圾郵件過(guò)濾問題，結(jié)合中文自身的特點(diǎn)，把廣泛適用于英文文本和郵件分類的樸素貝葉斯過(guò)濾方法應(yīng)用在垃圾郵件網(wǎng)關(guān)郵件過(guò)濾層；把信息增益修剪方法經(jīng)過(guò)改進(jìn)作為中
2009-08-14 14:28:0817 提出了融合小波和貝葉斯的人臉識(shí)別方法。對(duì)原始圖像采用小波分解后，原始圖像被分解到不同的頻帶上。利用小波理論分析可知，在每一級(jí)分解中，低頻子圖像包含了原始圖像
2009-07-15 10:30:1010 匹配引擎不是簡(jiǎn)單的搜索，而是全新的深層次信息挖掘。該文構(gòu)建一種基于貝葉斯網(wǎng)絡(luò)模型的匹配引擎。項(xiàng)目需求中有4種類型的節(jié)點(diǎn)集合，通過(guò)建模，設(shè)計(jì)一個(gè)4層貝葉斯網(wǎng)絡(luò)，主要
2009-04-17 09:29:1921 針對(duì)軟件項(xiàng)目面臨失敗風(fēng)險(xiǎn)的問題，提出一種新的軟件風(fēng)險(xiǎn)評(píng)估模型，采用貝葉斯網(wǎng)絡(luò)推理風(fēng)險(xiǎn)發(fā)生的概率，用模糊語(yǔ)言評(píng)估風(fēng)險(xiǎn)后果與損失的方法。實(shí)踐證明，通過(guò)應(yīng)用基于貝葉
2009-04-10 09:35:0524 基于應(yīng)變模態(tài)和貝葉斯方法的桿件損傷識(shí)別 提出了一種基于空間桿系結(jié)構(gòu)應(yīng)變模態(tài)和貝葉斯統(tǒng)計(jì)方法的損傷識(shí)別方法。對(duì)于空間桿系結(jié)構(gòu),認(rèn)為其桿件只承受軸向應(yīng)力,因此,由節(jié)
2008-10-24 15:02:4715
電子發(fā)燒友App
工商網(wǎng)監(jiān)
評(píng)論