貝葉斯分類多實例分析總結(jié)

1、用于運動識別的聚類特征融合方法和裝置提供了一種用于運動識別的聚類特征融合方法和裝置，所述方法包括：將從被采集者的加速度信號中提取的時頻域特征集的子集內(nèi)的時頻域特征表示成以聚類中心為基向量的線性方程組；通過求解線性方程組來確定每組聚類中心基向量的系數(shù)；使用聚類中心基向量的系數(shù)計算聚類中心基向量對子集的方差貢獻(xiàn)率；基于方差貢獻(xiàn)率計算子集的聚類中心的融合權(quán)重；以及基于融合權(quán)重來獲得融合后的時頻域特征集。加速度信號時頻域特征以聚類中心為基向量的線性方程組基向量的系數(shù)方差貢獻(xiàn)率融合權(quán)重基于特征組合的步態(tài)行為識別方法本發(fā)明公開了一種基于特征組合的步態(tài)行為識別方法，包括以下步驟：通過加速度傳感器獲取用戶在行

2、為狀態(tài)下身體的運動加速度信息；從上述運動加速度信息中計算各軸的峰值、頻率、步態(tài)周期和四分位差及不同軸之間的互相關(guān)系數(shù)；采用聚合法選取參數(shù)組成特征向量；以樣本集和步態(tài)加速度信號的特征向量作為訓(xùn)練集，對分類器進(jìn)行訓(xùn)練，使的分類器具有分類步態(tài)行為的能力；將待識別的步態(tài)加速度信號的所有特征向量輸入到訓(xùn)練后的分類器中，并分別賦予所屬類別，統(tǒng)計所有特征向量的所屬類別，并將出現(xiàn)次數(shù)最多的類別賦予待識別的步態(tài)加速度信號。實現(xiàn)簡化計算過程，降低特征向量的維數(shù)并具有良好的有效性的目的。傳感器> 加速度信息> 峰值、頻率、步態(tài)周期、四分位、相關(guān)系數(shù)- 聚合法- 特征向量樣本及和步態(tài)加速度信號的特征向量作

3、為訓(xùn)練集分類器具有分類步態(tài)行為的能力基于貝葉斯網(wǎng)絡(luò)的核心網(wǎng)故障診斷方法及系統(tǒng)本發(fā)明公開了一種基于 貝葉斯 網(wǎng)絡(luò)的核心網(wǎng)故障診斷方法及系統(tǒng)，該方法從核心網(wǎng)的故障受理中心采集包含有告警信息和故障類型的原始數(shù)據(jù)并生成樣本數(shù)據(jù)，之后存儲到后備訓(xùn)練數(shù)據(jù)集中進(jìn)行積累，達(dá)到設(shè)定的閾值后放入訓(xùn)練數(shù)據(jù)集中；運用 貝葉斯 網(wǎng)絡(luò)算法對訓(xùn)練數(shù)據(jù)集中的樣本數(shù)據(jù)進(jìn)行計算，構(gòu)造 貝葉斯 網(wǎng)絡(luò)分類器；從核心網(wǎng)的網(wǎng)絡(luò)管理系統(tǒng)采集含有告警信息的原始數(shù)據(jù)，經(jīng) 貝葉斯 網(wǎng)絡(luò)分類器計算獲得告警信息對應(yīng)的故障類型。本發(fā)明，利用 貝葉斯 網(wǎng)絡(luò)分類器構(gòu)建故障診斷系統(tǒng)，實現(xiàn)了對錯綜復(fù)雜的核心網(wǎng)故障進(jìn)行智能化的系統(tǒng)診斷功能，提高了診斷的準(zhǔn)確性和

4、靈活性，并且該系統(tǒng)構(gòu)建于網(wǎng)絡(luò)管理系統(tǒng)之上，易于實施，對核心網(wǎng)綜合信息處理具有廣泛的適應(yīng)性。告警信息和故障類型訓(xùn)練集>貝葉斯網(wǎng)絡(luò)分類器>訓(xùn)練 (由告警信息獲得對應(yīng)的故障類型)一種 MapReduce 并行化大數(shù)據(jù)文本分類方法一種 MapReduce 并行化大數(shù)據(jù)文本分類方法，包括如下步驟：第一步：建立用于文本分類的基準(zhǔn)測試數(shù)據(jù)集，進(jìn)行數(shù)據(jù)預(yù)處理，包括分詞、去停用詞、詞根還原；將該基準(zhǔn)測試數(shù)據(jù)集隨機(jī)劃分為訓(xùn)練文本和測試文本，將所述基準(zhǔn)測試數(shù)據(jù)集采用向量空間模型建立文本表示模型；第二步：根據(jù)上述文本表示模型采用CDMT對所述基準(zhǔn)測試數(shù)據(jù)集進(jìn)行特征選擇；第三步：采用貝葉斯分類器 對所述基準(zhǔn)

5、測試數(shù)據(jù)集進(jìn)行訓(xùn)練學(xué)習(xí)，得到分類結(jié)果。本發(fā)明提供一種分類性能良好、區(qū)分度較高的法。MapReduce 并行化大數(shù)據(jù)文本分類方文本分類的基準(zhǔn)測試數(shù)據(jù)集數(shù)據(jù)預(yù)處理：分詞、去停用詞、詞根還原訓(xùn)練文本和測試文本向量模型建立文本表示模型CDMT 對基準(zhǔn)進(jìn)行特征選擇貝葉斯分類器分類結(jié)果基于貝葉斯分類器的股票中長期趨勢預(yù)測方法及系統(tǒng)本發(fā)明涉及一種基于貝葉斯分類器的股票中長期趨勢預(yù)測方法，包括：股票數(shù)據(jù)的選取，確定各個起始點及區(qū)間長度 dj；劃分區(qū)間，計算出歷史數(shù)據(jù)區(qū)間斜率；對歷史數(shù)據(jù)區(qū)間斜率進(jìn)行學(xué)習(xí)并對置信度判斷區(qū)間進(jìn)行預(yù)測，得到以置信度判斷區(qū)間起始點為起點的多個交易日的股票均價；計算置信度，將置信度與預(yù)先

6、設(shè)定好的閾值進(jìn)行比較；預(yù)測未來區(qū)間斜率 ,將未來區(qū)間斜率轉(zhuǎn)化得到以預(yù)測區(qū)間起始點為起點的多個交易日的股票均價；將以預(yù)測區(qū)間起始點為起點的多個交易日的股票均價的漲跌進(jìn)行歸一化，得到股票的漲跌值；構(gòu)建股票池。本發(fā)明避免了產(chǎn)生累積誤差，展現(xiàn)出了在預(yù)測區(qū)間內(nèi)的股票趨勢變化，更好地捕捉了股市波動變化趨勢，更加有效地評估了交易風(fēng)險。股票數(shù)據(jù)選取>確定各個起始點及區(qū)間長度->區(qū)間斜率- 學(xué)習(xí)并置信度區(qū)間測試- 股票均價- 置信度- 預(yù)先設(shè)定好的閾值比較一種數(shù)據(jù)分類的方法及裝置本發(fā)明提供了一種數(shù)據(jù)分類的方法及裝置，該方法包括：預(yù)先設(shè)置多個數(shù)據(jù)的標(biāo)識；根據(jù)樣本數(shù)據(jù)確定每一種標(biāo)識對應(yīng)的分類規(guī)則；按組獲

7、取待標(biāo)識的數(shù)據(jù)；將所述每組待標(biāo)識的數(shù)據(jù)遍歷所有分類規(guī)則；計算每種所述分類規(guī)則匹配的當(dāng)前組中待標(biāo)識的數(shù)據(jù)的匹配個數(shù)；確定匹配個數(shù)最大的分類規(guī)則對應(yīng)的標(biāo)識為當(dāng)前組待標(biāo)識的數(shù)據(jù)的標(biāo)識。通過本發(fā)明提供的一種數(shù)據(jù)分類的方法及裝置，能夠提高標(biāo)識數(shù)據(jù)的效率。多數(shù)據(jù)的標(biāo)識>確定每種標(biāo)識的分類規(guī)則>待標(biāo)識數(shù)據(jù)遍歷分類規(guī)則>計算每種分類規(guī)則匹配當(dāng)前組中標(biāo)識的數(shù)據(jù)匹配個數(shù)- 確定匹配個數(shù)最大的分類規(guī)則對應(yīng)的標(biāo)識為當(dāng)前組待標(biāo)識的數(shù)據(jù)的標(biāo)識。一種移動自組網(wǎng)路由節(jié)點行為預(yù)測方法本發(fā)明給出一種移動自組網(wǎng)路由節(jié)點行為預(yù)測方法，該方法首先選擇合適的移動自組路由屬性，設(shè)置模糊鄰近關(guān)系，然后根據(jù)此原則對記錄進(jìn)行分

8、類，最后使用 貝葉斯分類器 進(jìn)行預(yù)測，評估路由節(jié)點的行為。本發(fā)明的目的是提供一種移動自組網(wǎng)路由節(jié)點行為預(yù)測方法，解決移動自組網(wǎng)路由節(jié)點行為預(yù)測問題，建立一種基于貝葉斯的預(yù)測方法，通過現(xiàn)有的數(shù)據(jù)分析，對移動自組網(wǎng)路由節(jié)點行為進(jìn)行預(yù)測，提高移動自組網(wǎng)的運行效率。移動自組路由屬性>設(shè)置模糊鄰近關(guān)系>然后根據(jù)此原則對記錄進(jìn)行分類>貝葉斯預(yù)測一種基于改進(jìn)貝葉斯算法的安卓惡意軟件檢測方法本發(fā)明給出了一種基于改進(jìn)貝葉斯算法的安卓惡意軟件檢測的方法，通過改進(jìn)貝葉斯算法對安卓惡意程序和良性程序的特征屬性進(jìn)行分析和分類，實現(xiàn)一種基于改進(jìn)貝葉斯算法的惡意軟件檢測方法，從應(yīng)用程序權(quán)限申請的角度出發(fā)，

9、判斷分析是否為惡意軟件。該方法是利用安卓權(quán)限請求機(jī)制中權(quán)限請求標(biāo)簽作為檢測的數(shù)據(jù)源。在此提出利用權(quán)限請求標(biāo)簽組合方式用于區(qū)分惡意軟件和良性軟件，利用改進(jìn)的貝葉斯算法做出檢測模型，改進(jìn)的貝葉斯體現(xiàn)在其對數(shù)據(jù)源的屬性之間的考慮了相互的獨立性，這樣再利用樸素 貝葉斯分類器 進(jìn)行數(shù)據(jù)建模，大大提高了檢測指標(biāo)，提高了檢測的正確率，以及減少了誤報率。利用權(quán)限請求標(biāo)簽作為檢測標(biāo)準(zhǔn)權(quán)限請求標(biāo)簽組合方式區(qū)分惡意軟件和良性軟件貝葉斯算法檢測樸素貝葉斯分類器建模微博分類方法及裝置本發(fā)明公開了一種微博分類方法及裝置。該方法包括：步驟1，對訓(xùn)練語料集合進(jìn)行預(yù)處理，對預(yù)處理后的訓(xùn)練語料進(jìn)行分詞，獲取候選特征，并對候選特征

10、進(jìn)行權(quán)重計算，根據(jù)權(quán)重計算結(jié)果進(jìn)行特征選擇，獲取最終的分類特征；步驟2，根據(jù)最終的分類特征，采用貝葉斯分類器 進(jìn)行模型訓(xùn)練，獲取分類模型；步驟 3，采用 貝葉斯分類器 根據(jù)分類模型對微博文檔進(jìn)行分類。借助于本發(fā)明的技術(shù)方案，提高了分類的召回率與準(zhǔn)確率。訓(xùn)練語料集合預(yù)處理一種城市軌道交通客流高峰持續(xù)時間預(yù)測方法本發(fā)明公開了一種城市軌道交通客流高峰持續(xù)時間預(yù)測方法，包括以下步驟：首先選擇足夠樣本量的歷史客流數(shù)據(jù)，然后對原始數(shù)據(jù)進(jìn)行處理，處理過程包括流量統(tǒng)計、高峰時間計算、數(shù)據(jù)清洗、數(shù)據(jù)區(qū)間分類，接著建立關(guān)聯(lián)客流高峰事件屬性集，接著計算每一個區(qū)間的客流高峰事件的概率分布，再使用貝葉斯分類的方法確定屬

11、性分類界限，最后對每一類客流高峰事件建立時間序列模型，并對方法的有效性進(jìn)行檢驗。本發(fā)明可用于預(yù)測城市軌道交通常發(fā)和突發(fā)的客流高峰事件的持續(xù)時間，為軌道交通企業(yè)的客流高峰管理提供數(shù)據(jù)支持，能緩解通行能力浪費和服務(wù)水平降低的矛盾，跟隨軌道交通客流的變化。原始數(shù)據(jù) （流量統(tǒng)計、高峰時間計算、數(shù)據(jù)清晰、數(shù)據(jù)區(qū)間分類）- 關(guān)聯(lián)客流高峰事件屬性集概率分布 貝葉斯分類 時間序列模型一種基于Android 平臺的入侵檢測系統(tǒng)本發(fā)明公開了一種基于Android 平臺的入侵檢測系統(tǒng)，主要由三部分組成，即數(shù)據(jù)提取模塊、數(shù)據(jù)分析引擎和響應(yīng)處理模塊；其中數(shù)據(jù)提取模塊主要是對 Android 系統(tǒng)手機(jī)的主體活動信息進(jìn)行特

12、征提??；數(shù)據(jù)分析引擎是利用檢測算法對提取和整理的數(shù)據(jù)進(jìn)行分析，判斷是否存在入侵行為或者異常行為；響應(yīng)處理模塊則根據(jù)數(shù)據(jù)分析引擎的分析結(jié)果執(zhí)行相應(yīng)的處理操作；該入侵檢測系統(tǒng)通過對手機(jī)的資源使用情況、進(jìn)程信息和網(wǎng)絡(luò)流量實時監(jiān)控，并使用 貝葉斯分類器 算法判斷系統(tǒng)是否被入侵，通過該入侵檢測系統(tǒng)能夠有效地檢測 Android 手機(jī)的異常。數(shù)據(jù)提取：特征提取數(shù)據(jù)分析：響應(yīng)處理：一種利用相關(guān)系數(shù)進(jìn)行相關(guān)性分析的貝葉斯分類數(shù)據(jù)挖掘方法公開了一種利用相關(guān)系數(shù)進(jìn)行相關(guān)性分析的貝葉斯分類數(shù)據(jù)挖掘方法。初步選定一些可能與目標(biāo)因子具有相關(guān)性的預(yù)測因子，對預(yù)測因子和目標(biāo)因子進(jìn)行模型訓(xùn)練，再對訓(xùn)練結(jié)果利用相關(guān)系數(shù)進(jìn)行相關(guān)

13、性分析，如果預(yù)測因子和目標(biāo)因子相關(guān)性不大或者不相關(guān)，可以立即終止貝葉斯分類算法，不再進(jìn)行后面的精度評估等步驟，以便用戶保留有關(guān)預(yù)測因子，去掉無關(guān)預(yù)測因子或者重新選定預(yù)測因子；如果預(yù)測因子和目標(biāo)因子相關(guān)性很大或者相關(guān)時，再在此基礎(chǔ)上進(jìn)行精度評估，評價貝葉斯分類算法的好壞。通過在分類模型的基礎(chǔ)上進(jìn)行相關(guān)性判斷，不僅可以使分類預(yù)測結(jié)果更加可靠，而且可以節(jié)約資源，提高算法的效率。預(yù)測因子和目標(biāo)因子模型訓(xùn)練 相關(guān)性分析一種基于改進(jìn)貝葉斯的軌道交通故障識別方法及系統(tǒng)本發(fā)明公開了一種基于改進(jìn)貝葉斯的軌道交通故障識別方法及系統(tǒng)。本方法為： 1）根據(jù)交通設(shè)備的電路結(jié)構(gòu)確定每一交通設(shè)備的各種故障模式及對應(yīng)的監(jiān)測量

14、，并針對每一故障模式及對應(yīng)的監(jiān)測量建立一故障模型； 2）根據(jù)故障模型識別出監(jiān)測數(shù)據(jù)之間的父子關(guān)系，得到標(biāo)準(zhǔn)故障樣本數(shù)據(jù)；3）利用標(biāo)準(zhǔn)故障樣本數(shù)據(jù)，采用貝葉斯算法進(jìn)行訓(xùn)練，得到故障識別模型；每一故障模式的故障識別模型中父節(jié)點的權(quán)重要大于子節(jié)點的權(quán)重；4）實時監(jiān)測和采集交通設(shè)備的各種所述監(jiān)測量，并記錄其時序；5）利用故障識別模型對數(shù)據(jù)進(jìn)行識別，確定出對應(yīng)的故障。本發(fā)明提高了故障識別的準(zhǔn)確率，縮短故障修復(fù)時間，設(shè)備可故障自診斷，從運維和設(shè)備兩方面保障行車安全。一種基于樸素貝葉斯分類器的假指紋檢測方法一種基于樸素 貝葉斯分類器 的假指紋檢測方法，包括以下步驟： 1）訓(xùn)練庫劃分； 2）圖像歸一化； 3）

15、特征提??； 3.1 ）離散小波變換； 3.2 ）去噪； 3.3 ）小波重構(gòu)； 3.4 ）噪聲圖估計； 3.5 ）標(biāo)準(zhǔn)差圖計算； 3.6 ）劃分標(biāo)準(zhǔn)差圖，統(tǒng)計得到圖像的特征； 4）特征劃分； 5）分類器訓(xùn)練； 6）分類器性能評估； 7）分類器融合：利用樸素貝葉斯分類器 構(gòu)造的方法，融合得到新的分類器。本發(fā)明對單個分類器性能要求不高，但分類器融合后的效果卻可以非常好。一種基于主題網(wǎng)絡(luò)爬蟲的搜索方法及裝置本發(fā)明公開了一種基于主題網(wǎng)絡(luò)爬蟲的搜索方法及裝置，所述方法包括：從與給定搜索主題相關(guān)的網(wǎng)頁地址集中提取一個網(wǎng)頁地址；獲取所述網(wǎng)頁地址對應(yīng)的有效網(wǎng)頁；對所述有效網(wǎng)頁進(jìn)行分析，得到有效網(wǎng)頁內(nèi)容；計算所述

16、有效網(wǎng)頁與搜索主題在語義上的相關(guān)度，即立即價值，并將符合預(yù)設(shè)條件的有效網(wǎng)頁及包含的網(wǎng)頁鏈接添加到頁面數(shù)據(jù)庫；對于不符合預(yù)設(shè)條件的有效網(wǎng)頁，計算網(wǎng)頁鏈接相對于所述搜索主題的鏈接價值，即未來回報價值，并將符合條件的網(wǎng)頁鏈接添加到網(wǎng)頁地址集中。本發(fā)明實施例通過計算不滿足條件的網(wǎng)頁鏈接的未來回報價值，來預(yù)測主題網(wǎng)絡(luò)爬蟲的搜索方向，從而避免了主題網(wǎng)絡(luò)爬蟲對無關(guān)網(wǎng)頁的抓取，提高了主題網(wǎng)絡(luò)爬蟲抓取網(wǎng)頁的準(zhǔn)確性。一種軟件需求分析量化方法及系統(tǒng)/ 預(yù)計分析工單處理時長一種軟件需求分析量化方法及系統(tǒng)，包括：樣本獲取模塊以基本過程為分類對象，獲取分類器的樣本，每一樣本中，待分類項的特征屬性值根據(jù)歷史數(shù)據(jù)中一基本過程

17、的特征屬性的取值確定，輸出類別根據(jù)歷史數(shù)據(jù)中該基本過程的開發(fā)時間確定；分類器生成模塊利用獲取的樣本作為訓(xùn)練樣本訓(xùn)練分類器模型，生成分類器；分類模塊在確定軟件需求劃分成的基本過程的各項特征屬性取值后，利用所述分類器進(jìn)行分類，得到相應(yīng)的輸出類別即開發(fā)時間。本發(fā)明利用歷史數(shù)據(jù)生成分類器，并引入功能點所屬模塊類型的特征,可以更為準(zhǔn)確地估算軟件開發(fā)時間，對量化軟件開發(fā)過程，控制軟件生命周期有良好效果。基于分布式多級聚類的話題檢測裝置及方法本發(fā)明公開了一種基于分布式多級聚類的話題檢測裝置及方法，該裝置主要包括新聞采集模塊、新聞分類模塊、話題檢測模塊和話題整合模塊以及話題展示模塊；該方法包括：題檢測方法，其

18、特征在于，該方法包括： A、對新聞進(jìn)行采集的步驟；B、對所述新采集的新聞進(jìn)行分類的步驟；C、對各頻道并行地進(jìn)行多級聚類的步驟； D、計算所有話題的熱度，篩選出全系統(tǒng)內(nèi)的熱點話題和每個頻道內(nèi)的熱點話題。采用本發(fā)明，能夠解決在互聯(lián)網(wǎng)環(huán)境中大量文檔快速更新的條件下，話題檢測面臨的檢測效果與時間開銷的尖銳矛盾。一種基于協(xié)同訓(xùn)練的垃圾郵件過濾方法和裝置本發(fā)明實施例提供了一種基于協(xié)同訓(xùn)練的垃圾郵件過濾方法和裝置，方法包括：輸入待過濾的郵件集合；根據(jù)郵件集合得到每個樣本的特征向量，其中一個樣本對應(yīng)一封郵件；將每個樣本的特征向量劃分為第一特征向量子集和第二特征向量子集，第一特征向量子集中的特征來源于郵件頭信息，第二特征向量子集中的特征來源于郵件內(nèi)容信息；將第一特征向量子集和第二特征向量子集分別作為每個樣本的第一視角和第二視角；利用第一視角和第二視角進(jìn)行基于 貝葉斯分類器 的協(xié)同訓(xùn)練得到最終的第