一种面向自动化标检的文本分类方法

针对自动化标检中的段落文本分类问题,提出一种基于机器学习的改进朴素贝叶斯分类算法。该方法对朴素贝叶斯分类算法进行改进并作为分类器,采用遗传算法作为训练模型对分类器中的所有特征权重进行训练,并采用一种基于图表位置的修正算法优化分类结果。在实际的数据集中进行了实验,结果表明,该方法与传统KNN(K-nearest neighbor)算法和朴素贝叶斯算法相比具有更好的分类结果,能够有效的处理错误样本较多的情况,可大幅提升自动化标检的准确性。     

改进的前向信息修补算法及其应用

前向信息修补算法可以对离散动态贝叶斯网络的缺失数据进行预测,该算法只适用于所有观测节点是相互独立的网络,却不能处理观测节点有依赖关系网络的缺失数据。针对该算法的这一缺陷,提出了改进的前向信息修补算法,在分析离散动态贝叶斯网络的缺失数据具有二种基本形式的基础上,推导出了每种形式的相应预测公式。继而构建了用于识别威胁源离散动态贝叶斯网络的模型。仿真实验验证了改进的前向信息修补算法的有效性。     

模糊离散动态贝叶斯网络的目标威胁等级评估

动态贝叶斯网络作为一种智能推理工具在处理不确定推理问题中显示出强大的生命力,但是存在难于处理连续变量的推理问题。将模糊理论与动态贝叶斯网络相结合,提出一种模糊分类的方法,将连续变量模糊分类为动态贝叶斯网络能够应用的证据信息用于推理,并建立目标威胁等级评估模型,应用直接推理算法对该网络进行推理。仿真结果表明,该分类方法与动态贝叶斯网络结合能够很好地处理连续变量推理的问题。     

基于贝叶斯网络分类器的雷达辐射源识别方法

雷达辐射源识别是电子对抗中的重要组成部分.贝叶斯网络分类器建立在坚实的理论基础之上,具有较为优秀的分类性能,而且能够有效地处理不确定性问题,重点研究了如何利用贝叶斯网络分类器进行雷达辐射源识别,并通过仿真实验对朴素贝叶斯分类器及其扩展方法进行了分析比较.实验结果表明,与基于概率近似准则的方法相比,基于分类准确率提高准则的扩展树生成方法具有更为优秀的分类性能.     

基于贝叶斯分类器的目标价值等级分析

现代战争作战目标繁多,从目标价值角度对目标的重要程度进行评估,建立了基于朴素贝叶斯分类器的目标价值评估模型,并利用基于无向完全图的贝叶斯分类器,将目标属性间的关系加入到评估模型中,为指挥员和决策机关的作战目标选择提供了科学的依据.     

基于剪枝加权k-NN算法的雷达电磁行为识别

为了更好地实施电子干扰和欺骗,针对目标雷达电磁行为识别问题,提出了一种新的算法。首先,给出了雷达电磁行为的形式化表述,并在此基础上将各项属性参数进行预处理;然后,通过改进的k-最近邻分类算法(k-nearest-neighbor classifier,k-NN)对数据进行处理,从而对未知的雷达电磁行为进行识别。实验结果表明:改进的算法引入剪枝加权策略可加强其分类识别能力,在分类准确率和时间效率上较原算法有一定的改善,对于雷达电磁行为的识别是有效可行的。     

基于贝叶斯网络的反舰导弹身份识别

为了解决反舰导弹身份识别所面临的实时性和信息不确定性问题,提出了采用贝叶斯网络识别反舰导弹的方法。设计了4种贝叶斯网络分类器,分别在导弹仿真数据集和UCI数据集上作了测试,比较了它们各自的分类性能。实验结果表明,朴素贝叶斯网络的分类准确率虽然比其它分类器稍低,但它简单有效,稳健性比其它分类器都好,可用于反舰导弹身份的实时识别。     

多核贝叶斯优化的模型决策树算法

构造模型决策树时超参数较多,参数组合复杂,利用网格搜索等调参方法将会消耗大量的时间,影响模型性能的提升。提出了一种多核贝叶斯优化的模型决策树算法,该算法为应对不同分类数据特性,采用三种高斯过程建模寻优,利用贝叶斯优化技术,选出最优的参数组合。实验结果表明,所提算法在参数寻优上要优于传统的模型决策树寻优方法,并且能够在迭代次数不多的情况下找到全局最优参数值,在一定程度上提升了算法的分类性能,节省了大量的调参时间。     

一种改进的电子情报分析模型

电子情报的分析处理,对提高电子对抗作战效能意义重大。综合运用聚类算法和分类算法构建了一种改进的电子情报分析模型。该模型首先通过基于粗糙集改进的k-means算法完成对记录数据库中雷达信号的聚类分选,选取聚类中心信号表征此类信号;再采用粗糙集提取有效的最优规则并用于聚类中心脉冲识别,从而分选出已知信号和未知信号;未知信号确定其特性后添加到已知威胁雷达数据库。通过仿真,验证了该模型的适用性和有效性。     

一种人工免疫系统改进算法的仿真研究

针对人工免疫系统在处理多维向量分类时存在的初始抗体数量“爆炸”问题,对人工免疫系统的反向选择算法进行改进,研究了初始抗体的生成机理,并在初始抗体的生成条件中加入新的约束,降低了人工免疫系统所需的初始抗体数量,解决了多维向量的分类问题,在实际应用中有着很强的推广应用价值。     

基于搜索编码的简单贝叶斯分类方法

简单贝叶斯法性能稳定,分类精度难以提高。通过分析搜索编码法产生的纠错输出码的性质,提出基于搜索编码的简单贝叶斯算法SCNB,并详细阐述了SCNB算法的应用流程。实验结果表明,采用搜索编码法能够有效提高简单贝叶斯分类器的泛化能力。     

利用KMP的改进算法实现多次模式匹配

KMP算法是字符串查找算法中的一个经典算法 ,该算法在最坏情况下具有线性的查找时间 ,查找效率高。本文介绍了KMP算法的查找原理 ,并与朴素查找算法进行了比较 ,并结合KMP的改进算法给出了多次匹配的算法。     

改进的稀疏子空间聚类算法

在现有的稀疏子空间聚类算法理论基础上提出一个改进的稀疏子空间聚类算法:迭代加权的稀疏子空间聚类。稀疏子空间聚类通过解决l1最小化算法并应用谱聚类把高维数据点聚类到不同的子空间,从而聚类数据。迭代加权的l1算法比传统的l1算法有更公平的惩罚值,平衡了数据数量级的影响。此算法应用到稀疏子空间聚类中,改进了传统稀疏子空间聚类对数据聚类的性能。仿真实验对Yale B人脸数据图像进行识别分类,得到了很好的聚类效果,证明了改进算法的优越性。     

数据融合的精确极大似然配准算法

数据融合是一个对来自多源的数据和信息进行互联、相关、组合处理以求得精确位置和识别估计的过程。本文考虑其中的配准问题,它是数据融合系统求得精确估计和修正系统误差所必需的预先处理。文中介绍了配准的精确极大似然算法(EML)。该算法通过两步递归最优化方法来实现,并采用改进的高斯—牛顿法来确保算法的快速收敛性。文中研究了该算法的统计性能,其中包括对一致性和有效性的讨论。我们特别地推导并给出了渐近协方差和克拉默—劳边界(CRB)的显式。最后,用仿真和实际的多雷达数据来评估该算法的性能。     

考虑仿真可信度的舰炮虚拟校射

为利用仿真模型在有限校射样本的条件下对校射补偿量进行合理估计,对考虑仿真可信度的舰炮虚拟校射方法进行了研究。对自适应加权贝叶斯估计方法进行了研究,一方面对仿真先验可信度的计算方法进行了分析,另一方面对考虑先验可信度的自适应加权贝叶斯估计算法进行了研究。在此基础上,结合舰炮虚拟校射的原理和需求,建立了舰炮虚拟校射诸元误差自适应加权贝叶斯估计模型。仿真验证表明:自适应加权贝叶斯估计方法能够利用试验数据对仿真模型的可信度进行有效验证并进一步实现对目标分布的有效估计;所设计的校射方法能够综合利用仿真模型和校射样本的优势,实现对诸元误差的合理估计,达到有效提高校射精度的目的。     

变结构离散动态贝叶斯网络的快速推理算法

变结构离散动态贝叶斯网络是对传统离散动态贝叶斯网络的推广,具有更广泛的建模应用价值,但是其推理算法还有待进一步完善.针对变结构离散动态贝叶斯网络的推理算法难以理解、编程计算难、推理速度慢的问题,给出了实现变结构离散动态贝叶斯推理算法的数据结构,并推导了进行并行计算的推理算法和编程步骤,并通过实例进行了算理验证.给出的方法对变结构离散动态贝叶斯网络的编程应用具有参考价值,同时可以加快变结构离散动态贝叶斯网络的推理计算速度.     

一种NLOS环境下基于散射模型的TOA定位方法

减小非视距(Non Line Of Sight,NLOS)误差定位算法大多要求在移动台和基站之间至少存在一条视距(Line Of Sight,LOS)路径。提出一种新的NLOS环境中基于散射模型分类传播环境的TOA(Time Of Arrival)定位方法,将散射模型中NLOS传播的统计特性加入到定位算法中,使用散射模型研究了3种定位算法,方差匹配算法,期望最大算法和贝叶斯算法。并对算法进行仿真,仿真结果表明,本算法性能优于传统定位算法。     

基于改进烟花算法的ELM分类模型

针对极限学习机(Extreme Learning Machine,ELM)的性能必须依赖于大量隐层节点的问题,提出了基于改进烟花算法(Improved Fireworks Algorithm,IFWA)的ELM分类模型。用改进的烟花算法进行迭代搜索,求得N个最优的烟花;选择ELM测试数据集的RMSE作为改进烟花算法的适应度值函数,来优化ELM每个隐层节点的输入权值和偏置,使得节点的决策水平提高,从而使ELM的决策性能显著提高;采用KDD99数据集验证表明:改进烟花算法的极限学习机(IFWAELM)能够以较少的隐层节点得到更高的测试平均正确率,提高了极限学习机的泛化性能。5种同类算法性能对比实验也表明IFWAELM是效果最优的。     

基于贝叶斯网络的计算机网络端到端服务故障诊断

研究了利用贝叶斯网络不确定推理技术实现端到端服务故障诊断的方法,详细描述了贝叶斯网络故障诊断模型的建立方法,设计了基于Pearl信念传播机制的故障诊断算法,并对其进行了改进,以提高诊断效果.最后,通过仿真验证了该方法的有效性,并提出了下一步的研究方向.     

基于聚类分析的入侵检测算法?

聚类技术在入侵检测中被广泛研究,但是传统的K?means算法对初始值敏感,无法取得理想的效果;层次聚类算法时间复杂度高,性能较差。针对这些问题,设计了一种改进的K?means算法：算法优化孤立点和噪声处理能力,根据有效性指标获得最优K值,在此基础上,动态选取初始聚类中心进行聚类,可以取得较好的聚类效果。采用数据集KDD Cup99将改进的算法应用于入侵检测,进行仿真实验。实验结果表明,改进的算法有效地提高了检测率和降低了误检率,与现有算法相比具有一定的优势。