貝葉斯方法及其在化工軟測(cè)量建模中的應(yīng)用.pdf

1、貝葉斯學(xué)習(xí)理論使用概率表示各種形式的知識(shí)和不確定性，并通過(guò)概率規(guī)則來(lái)實(shí)現(xiàn)學(xué)習(xí)和推理過(guò)程，是處理不確定信息的有力工具。本文在學(xué)習(xí)貝葉斯學(xué)習(xí)理論的基本觀點(diǎn)和研究它的背景與現(xiàn)狀的基礎(chǔ)上，詳細(xì)討論了幾種常用的貝葉斯分類模型的分類原理和性能，并主要研究了以下幾個(gè)關(guān)鍵問(wèn)題：樸素貝葉斯分類模型及其改進(jìn)、貝葉斯回歸型支持向量機(jī)及其在聚丙烯腈生產(chǎn)過(guò)程軟測(cè)量建模中的應(yīng)用。 分類是數(shù)據(jù)挖掘中一項(xiàng)十分重要的任務(wù)，其目的是找出分類函數(shù)或者分類模型。本文提

2、出了一種基于互信息屬性約簡(jiǎn)的樸素貝葉斯分類器，此方法從信息論角度出發(fā)，并給出屬性重要性的度量方法和相應(yīng)的屬性約簡(jiǎn)算法，找出一組最近似獨(dú)立的屬性約簡(jiǎn)子集，弱化屬性間的依賴關(guān)系，再利用樸素貝葉斯分類器對(duì)約簡(jiǎn)子集進(jìn)行訓(xùn)練得到分類器，從而提高樸素貝葉斯分類器的性能。 針對(duì)支持向量機(jī)在小樣本情況下泛化性能不高的問(wèn)題，本文把貝葉斯證據(jù)框架引入到支持向量機(jī)回歸問(wèn)題中，用來(lái)調(diào)整支持向量機(jī)模型中的核參數(shù)和正則化參數(shù)接近最優(yōu)，進(jìn)而提高模型在小樣本下