小数据集贝叶斯网络多父节点参数的修复

具有已知结构的小数据集贝叶斯网络多父节点参数学习是一个重要而困难的研究课题,由于信息不充分,使得无法直接对多父节点参数进行有效的估计,如何修复这些参数便是问题的核心.针对问题提出了一种有效的小数据集多父节点参数修复方法,该方法首先使用Bootstrap抽样扩展小数据集,然后分别将Gibbs抽样与最大似然树和贝叶斯网络相结合,通过依次对扩展数据按一定比例的迭代修正来实现对多父节点参数的修复.实验结果表明,这种方法能够有效地使大部分多父节点参数得到修复.     

操作风险等级预测的朴素贝叶斯方法研究

操作风险数据积累比较困难,而且往往不完整,朴素贝叶斯分类器是目前进行小样本分类最优秀的分类器之一,适合于操作风险等级预测。在对具有完整数据朴素贝叶斯分类器学习和分类的基础上,提出了基于星形结构和Gibbs sampling的具有丢失数据朴素贝叶斯分类器学习方法,能够避免目前常用的处理丢失数据方法所带来的局部最优、信息丢失和冗余等方面的问题。     

面向高校计算机专业的专业外语教学体系研究

在分析专业外语教学重要性的基础上,指出单纯依靠《计算机专业英语》课程提高学生专业外语能力的不足,提出结合专业课程开展双语教学可以取得更好的教学效果,进而给出了一个面向计算机专业的专业外语教学体系框架,就如何做好专业外语教学提出几点建议。     

面向高校计算机专业的专业外语教学体系研究

在分析专业外语教学重要性的基础上,指出单纯依靠《计算机专业英语》课程提高学生专业外语能力的不足,提出结合专业课程开展双语教学可以取得更好的教学效果,进而给出了一个面向计算机专业的专业外语教学体系框架,就如何做好专业外语教学提出几点建议。     

不确定离散时滞网络化系统的鲁棒H∞控制

研究了不确定离散时滞网络系统的鲁棒H∞控制问题。在假设数据丢失过程是一个独立同分布过程的情况下,运用随机Lyapunov函数方法,得到了网络化系统均方渐近稳定且满足给定H∞性能指标的充分条件,并利用线性矩阵不等式方法给出镇定控制器的设计,仿真表明该方法的有效性。     

贝叶斯网络适应性学习

在现实中,随着对领域问题认识的深入,往往需要对贝叶斯网络进行调整,以使贝叶斯网络模型能够更好地反映实际问题.但调整后的贝叶斯网络中一些新参数需要根据原有贝叶斯网络来确定,目前缺乏对新参数学习方法的研究.本文基于专家知识调整贝叶斯网络结构,将原贝叶斯网络和新贝叶斯网络相结合,通过推理进行新参数的迭代学习,可实现贝叶斯网络的适应性学习.     

宏观经济风险分析的动态贝叶斯分类器方法

相关因素对宏观经济风险影响的时滞分析是研究中国经济运行情况的重要问题之一,目前,主要采用数量经济方法进行宏观经济风险时滞影响分析方面的研究,但这些方法主要利用时序或非时序信息,不易实现二者的有机结合。k阶多马尔科夫链动态朴素贝叶斯分类器是一种特殊的动态贝叶斯分类器,在该分类器中,属性和类均构成马尔科夫链,通过朴素贝叶斯网络结构将这些马尔科夫链组合在一起形成分类器结构,从而使相关指标的动态和静态信息均能得到充分的利用,并将其用于宏观经济风险时滞影响分析。实验结果证明该分类器在时滞影响分析方面更加可靠和实用。     

创新高校计算机基础教育的思与行

随着我国教育事业的不断发展，高等院校的教育理念和教育方式正在经历一场革命性的变革，高校计算机基础教育也需要与时俱进地不断进行变革。为此，创新高校计算机基础教育的理念和方法已经提上了日程。以导向型自主学习理论为依据，针对目前计算机教育存在的一些不足，结合高校计算机基础教育的实际，对培养非计算机专业学生的信息素养、自主探究...     

连续属性一阶贝叶斯衍生分类器学习与集成

依据copula和贝叶斯网络理论,将高斯copula函数、引入平滑参数的高斯核函数和以分类器的分类准确性为标准的属性父结点贪婪选择等相结合,综合考虑效率和可靠性,进行连续属性一阶贝叶斯衍生分类器学习、优化和集成。使用UCI数据库中连续属性分类数据进行实验,结果显示,经过优化和集成的一阶连续属性贝叶斯衍生分类器具有良好的分类准确性。     

基于局部解释能力的贝叶斯网络隐藏变量学习

目前,在贝叶斯网络中插入隐藏变量的主要目的是简化贝叶斯网络结构,从而提高推理效率,但隐藏变量使用不当会降低推理的可靠性.本文以提高贝叶斯网络的局部最优解释推理能力为标准插入隐藏变量,并将最优解释、星形结构和Gibbs抽样相结合来确定隐藏变量的位置、取值和维数,因此,通过隐藏变量的引入,在能够提高推理效率的同时,还可改进推理的可靠性.