导读:本文包含了贝叶斯集成论文开题报告文献综述及选题提纲参考文献，主要关键词:朴素贝叶斯,差异性,Kmeans++聚类,集成学习
贝叶斯集成论文文献综述
钟熙,孙祥娥[1]（2019）在《基于Kmeans++聚类的朴素贝叶斯集成方法研究》一文中研究指出朴素贝叶斯方法简单、计算高效、精确度高,且具有坚实的理论基础,得到了广泛应用。文中针对差异性是集成学习的关键条件,提出了基于Kmeans++聚类技术来提高朴素贝叶斯分类器集成差异性的方法,从而提升了朴素贝叶斯的泛化性能。首先,通过训练样本集训练出多个朴素贝叶斯基分类器模型;然后,为了增大基分类器之间的差异性,利用Kmeans++算法对基分类器在验证集上的预测结果进行聚类;最后,从每个聚类簇中选择泛化性能最佳的基分类器进行集成学习,最终结果由简单投票法得出。利用UCI标准数据集对该方法进行验证,结果表明该方法的泛化性能得到了较大的提升。(本文来源于《计算机科学》期刊2019年S1期）
梁达正[2]（2019）在《基于贝叶斯集成神经网络的上证50指数的研究》一文中研究指出基于贝叶斯集成神经网络原理,构建出一个贝叶斯集成长短记忆神经网络。使用该集成网络对我国上证50指数进行预测。实验选取2015—2018年近3年来的数据进行集成学习预测。结果证明贝叶斯集成长短记忆神经网络要优于集成循环神经网络与集成长短记忆神经网络。为了使贝叶斯集成神经网络更好的运用到时间序列预测上,本文提出一种贝叶斯集成长短记忆神经网络来进行金融时间序列学习。(本文来源于《科技创新导报》期刊2019年17期）
洪志伟[3]（2019）在《基于集成嵌套拉普拉斯近似方法的随机波动模型贝叶斯估计》一文中研究指出我国金融时间序列普遍具有波动性特征,随机波动(SV)模型自被提出以来,经证实能够有效刻画金融波动性特征,在金融领域中具有广泛的应用.SV模型中设定的波动是无法直接观测的随机变量,模型的似然函数十分复杂,难以用极大似然方法估计随机波动模型的参数.但是利用贝叶斯方法能够有效实现SV模型的参数估计,基于马尔可夫链蒙特卡洛方法(MCMC)的贝叶斯参数估计具有很好的精度.然而,MCMC方法明显的缺陷是运行时间过长,这限制了它在实际中应用.为此,本文介绍了一种高效方法——集成嵌套拉普拉斯近似(INLA)方法来实现对我国股市SV模型的贝叶斯推断.我们对上证综指和深证成指进行实证分析,通过参数估计结果、DIC准则和程序运行时间叁个方面对比INLA方法和MCMC方法模型估计效果,说明INLA方法能够快速而准确地实现随机波动模型的贝叶斯推断,该方法有助于扩大SV模型在金融领域中的应用空间.本文将基于INLA方法的SV模型应用于上海和深圳股市的实证分析当中.创新性地引入DIC准则,比较了基于MCMC方法和基于INLA方法的SV模型的推断效果。本文主要研究内容包括以下叁个部分:1.波动率与随机波动模型的介绍本文首先介绍了波动率的概念、金融时间序列波动率的主要特征以及金融时间序列的基本统计量.接着介绍AR(1)模型,标准随机波动模型和厚尾随机波动模型.给出了随机波动模型的似然函数表达式.2.随机波动模型贝叶斯估计方法的介绍本文分别使用MCMC方法与INLA方法进行贝叶斯推断.这部分内容介绍了贝叶斯推断、MCMC方法与Gibbs抽样方法,给出了标准SV模型的Gibbs抽样方法.介绍了拉普拉斯近似,详细叙述INLA方法对参数后验分布和潜变量后验分布的近似.3.上证综指和深证成指的实证分析本文对上证综指标准SV模型、上证综指SV-T模型、深证成指SV波动模型和深证综指SV-T模型分别使用MCMC方法和INLA方法进行贝叶斯推断,通过各个参数的估计结果、DIC值和程序运行时间对比分析MCMC方法和INLA方法.(本文来源于《山东大学》期刊2019-05-23）
程浩,王世贵,傅勉[4]（2019）在《贝叶斯网络与多源信息融合集成的评估方法研究》一文中研究指出针对目标毁伤信息的特点,提取战场获取的多源目标毁伤特征信息,提出了信息融合与贝叶斯网络集成的方法,利用信息融合模型,通过计算特征信息的最大后验概率进行毁伤评估,并进行了实例分析,验证了多源信息融合评估方法的可行性.(本文来源于《商丘师范学院学报》期刊2019年06期）
王双成,郑飞,唐晓清[5]（2019）在《动态随机树贝叶斯集成回归模型研究》一文中研究指出针对目前的动态贝叶斯网络主要用于时间序列的因果分析和分类预测,缺少将动态贝叶斯网络用于回归计算方面研究的情况,结合随机树生成、回归变量的离散化、类变量的数量化、类的满条件概率计算和加权平均回归计算等建立动态随机树贝叶斯回归模型,并通过集成(平均)来提高回归模型的泛化能力,使用期货数据进行实验,实验结果显示,动态随机树贝叶斯集成回归模型具有良好的回归可靠性.(本文来源于《小型微型计算机系统》期刊2019年04期）
程浩,王世贵,傅勉[6]（2018）在《贝叶斯网络与多源信息融合集成的评估方法研究》一文中研究指出针对目标毁伤信息的特点,提取战场获取的多源目标毁伤特征信息,提出了信息融合与贝叶斯网络集成的方法,利用信息融合模型,通过计算特征信息的最大后验概率进行毁伤评估,并进行了实例分析,验证了多源信息融合评估方法的可行性.(本文来源于《赤峰学院学报(自然科学版)》期刊2018年09期）
王永坚,戴乐阳,宋佳声[7]（2018）在《基于贝叶斯网络集成的船用中高速发动机磨损故障诊断模型》一文中研究指出为解决船用中高速发动机磨损故障特征模糊和信息不完备引起的故障诊断准确率偏低等问题,通过定期采集与发动机磨损故障紧密相关的各监测参数信息,建立基于专家知识和因果映射认知的磨损故障贝叶斯诊断网络结构,通过询问专家和运用贝叶斯方法进行诊断网络参数学习,完成基于专家知识和贝叶斯网络集成的船用中高速发动机磨损故障诊断模型的搭建。通过对母型船发动机实际故障案例进行仿真分析,验证模型的准确性和分析方法的有效性,取得较好的结果,可为快速、准确查找发动机磨损故障提供技术支持。(本文来源于《中国航海》期刊2018年02期）
王利民,刘洋,孙铭会,李美慧[8]（2018）在《基于Markov blanket的无约束型K阶贝叶斯集成分类模型》一文中研究指出为了提升K阶依赖贝叶斯分类(KDB)模型的条件依赖表达能力,本文以Markov blanket的特征提取思想为基本原则,降低特征属性间的条件独立性,根据贪婪搜索策略进行贝叶斯分类模型的结构学习。基于训练样本集构建宏观模型,基于测试样本构建微观模型,最终通过集成模型进行决策。针对UCI机器学习数据集进行交叉验证,实验结果分别从0-1损失、偏差和方差等角度证明了本文算法的合理性和有效性。(本文来源于《吉林大学学报(工学版)》期刊2018年06期）
王永坚,陈丹,戴乐阳[9]（2018）在《信息融合与贝叶斯集成的船用中高速发动机磨损故障诊断》一文中研究指出为了解决船用中高速发动机磨损故障诊断准确率偏低的问题,提出多源信息融合与贝叶斯网络集成的磨损故障诊断方法。利用贝叶斯参数估计算法进行多源故障征兆信息融合,通过大量发动机磨损故障实测数据,结合该领域专家知识,建构贝叶斯磨损故障诊断网络,并建立朴素贝叶斯分类器,简化融合结果,最终通过最大后验概率估计值识别磨损故障模式。经实际故障案例计算分析,验证了该诊断方法的有效性及网络模型建构的准确性。(本文来源于《集美大学学报(自然科学版)》期刊2018年03期）
戚佳佳,顾国华,陈远金,何伟基,陈钱[10]（2018）在《基于贝叶斯自适应估计的光子计数集成成像》一文中研究指出针对光子数极少环境下叁维目标的重构问题,基于光子计数集成成像系统提出了一种贝叶斯自适应估计方法,来提高叁维目标深度切片的重构质量。首先,通过光子计数集成成像系统获得一系列光子计数元素图像。接着,从光子计数过程的泊松分布出发,利用集成成像系统中对于同一个目标像素的多次采样特性,引入了局部自适应均值因子,从而建立起元素图像像素光子数估计的单参数后验概率模型。最后,通过后验概率模型的均值计算获得更新后的光子计数元素图像,并基于光束可逆原理重构出深度切片图像。实验结果表明:采用该方法在场景的两个深度处重构的切片图像相比传统贝叶斯重构图像的峰值信噪比提高了7.4dB和8.5dB,极大地提升了微弱光叁维目标的重构质量。(本文来源于《光学精密工程》期刊2018年03期）
贝叶斯集成论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
基于贝叶斯集成神经网络原理,构建出一个贝叶斯集成长短记忆神经网络。使用该集成网络对我国上证50指数进行预测。实验选取2015—2018年近3年来的数据进行集成学习预测。结果证明贝叶斯集成长短记忆神经网络要优于集成循环神经网络与集成长短记忆神经网络。为了使贝叶斯集成神经网络更好的运用到时间序列预测上,本文提出一种贝叶斯集成长短记忆神经网络来进行金融时间序列学习。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
贝叶斯集成论文参考文献
[1].钟熙,孙祥娥.基于Kmeans++聚类的朴素贝叶斯集成方法研究[J].计算机科学.2019
[2].梁达正.基于贝叶斯集成神经网络的上证50指数的研究[J].科技创新导报.2019
[3].洪志伟.基于集成嵌套拉普拉斯近似方法的随机波动模型贝叶斯估计[D].山东大学.2019
[4].程浩,王世贵,傅勉.贝叶斯网络与多源信息融合集成的评估方法研究[J].商丘师范学院学报.2019
[5].王双成,郑飞,唐晓清.动态随机树贝叶斯集成回归模型研究[J].小型微型计算机系统.2019
[6].程浩,王世贵,傅勉.贝叶斯网络与多源信息融合集成的评估方法研究[J].赤峰学院学报(自然科学版).2018
[7].王永坚,戴乐阳,宋佳声.基于贝叶斯网络集成的船用中高速发动机磨损故障诊断模型[J].中国航海.2018
[8].王利民,刘洋,孙铭会,李美慧.基于Markovblanket的无约束型K阶贝叶斯集成分类模型[J].吉林大学学报(工学版).2018
[9].王永坚,陈丹,戴乐阳.信息融合与贝叶斯集成的船用中高速发动机磨损故障诊断[J].集美大学学报(自然科学版).2018
[10].戚佳佳,顾国华,陈远金,何伟基,陈钱.基于贝叶斯自适应估计的光子计数集成成像[J].光学精密工程.2018
标签：朴素贝叶斯; 差异性; Kmeans++聚类; 集成学习;