导读:本文包含了朴素贝叶斯模型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,成绩预测,数据来源,转化
朴素贝叶斯模型论文文献综述
张燕[1]（2019）在《基于朴素贝叶斯的英语成绩预测模型构建研究》一文中研究指出针对当前英语学习信息化需求,以及深度学习算法的优势,提出一种基于朴素贝叶斯的英语成绩预测模型。为验证该模型在英语成绩预测方面的有效性,首先对朴素贝叶斯定理的原理进行分析,然后以某职业院校2016～2018的英语四级考试成绩作为基本数据来源,采用朴素贝叶斯模型中概率对不同属性下的学生英语成绩进行预测,结果表明通过朴素贝叶斯分类预测到的成绩与实际的基本一致。(本文来源于《自动化技术与应用》期刊2019年10期）
霍一菲,陆颖颖[2]（2019）在《基于信息熵及朴素贝叶斯公式混合模型的DDoS攻击检测系统》一文中研究指出DDoS攻击一直是威胁网络安全的重要因素,针对DDoS攻击的检测方法层出不穷。但是现有的检测模型在兼顾实时性和准确性方面很难两全。本文提出的双层DDoS攻击检测模型,在实时捕捉网络数据包的基础上,通过两层数据分析,使检测的准确性有所提升。本文主要分为叁个部分,第一个部分简要介绍DDoS攻击,以及信息熵和朴素贝叶斯公式的相关概念,第二部分阐述基于信息熵及朴素贝叶斯公式混合模型的设计,最后一部分简要展示系统的总体设计。(本文来源于《网络安全技术与应用》期刊2019年08期）
马彬[3]（2019）在《基于规则学习和朴素贝叶斯算法的软件缺陷预测模型研究》一文中研究指出软件缺陷是计算机系统、程序、代码段中存在的偏差,以静态的形式存在于软件内部,在运行时可能被激活的影响软件正常运行能力的隐藏问题和错误。软件缺陷伴随着软件开发的整个生命周期,随着软件规模不断增长,软件缺陷的数量呈上升趋势,软件缺陷的检测难度不断加大。软件缺陷将对各个领域造成严重的影响,所带来的损失难以估量。而人工代码审查在速度上和效率上,已经不能满足软件发展的需要,因此,更加高效的软件缺陷预测变得尤为重要。软件缺陷预测技术分析已有的软件历史数据,从中提取出程序模块并统计该模块的软件复杂度数据、开发过程数据和缺陷数据等作为软件度量元,选取与软件缺陷存在具有强相关性的软件度量元作为特征,使用某种机器学习算法基于上述特征构建软件缺陷预测模型。软件缺陷预测的目的在于利用某种方法对软件潜在缺陷进行预测,提前发现可能存在软件缺陷的代码段,预防软件缺陷的产生。软件缺陷预测一般分为静态预测和动态预测,静态预测主要是针对软件缺陷是否存在、缺陷的数量和分布等进行预测,动态预测主要是针对软件缺陷产生的周期、软件缺陷出现的时间分布等进行预测。本文从静态预测方面进行研究,应用机器学习算法预测软件模块是否存在缺陷。在这个研究领域中,应用的算法主要有随机森林、向量机、贝叶斯、字典学习等。朴素贝叶斯算法基于先验概率估算后验概率,计算复杂性低于决策树、向量机、神经网络等典型算法。数据集对模型预测效果的影响远远大于分类算法的选择。针对数据搜集过程中普遍存在数据缺失的问题,本文提出使用K-近邻算法对数据集中的缺失值进行填充。首先基于数据集中非缺失数据进行聚类;接着根据缺失数据样本与各类簇的欧氏距离,找到缺失数据样本属于的类簇;最后用该类簇的平均值填充缺失数据样本的缺失项,从而得到无缺失值的完整数据集。传统软件静态度量元并不都适于作为基于机器学习的软件缺陷预测模型的特征,且度量元的选择是软件缺陷预测中的重要环节。本文提出使用信息增益法对软件度量元进行选择,根据软件度量元所含有的信息量,选取对软件缺陷预测有较大信息贡献的度量元作为训练软件缺陷预测模型的特征。朴素贝叶斯模型的条件独立性假设会损失特征之间的相关性,针对软件缺陷预测的实际和朴素贝叶斯算法的不足,本文提出采用集成学习加权平均法的结合策略,基于规则学习对朴素贝叶斯模型改进。规则学习考虑了特征之间的组合性对预测结果的影响,有效弥补了朴素贝叶斯模型的不足。并从数据集缺失值处理、特征选择、类不平衡等方面进行了优化,有效提升了模型的预测效果。本文使用被广泛应用于缺陷预测技术中的NASA MDP数据集作为实验数据,进行了多次十折交叉验证。实验结果表明,基于规则学习和朴素贝叶斯算法的软件缺陷预测模型比朴素贝叶斯缺陷预测模型在查准率、查全率、f-measure、AUC值等评价指标上都有提升。与其他研究者的改进算法相比,本文提出的模型在软件缺陷预测中效果更好。(本文来源于《吉林大学》期刊2019-04-01）
高晓利,王维,赵火军[4]（2018）在《几种改进的朴素贝叶斯分类器模型》一文中研究指出介绍了朴素贝叶斯分类器模型,分析归纳了几种基于较宽松属性间关系的改进算法,包含TANF算法、HCS及SP算法;同时在研究Adaboost集成技术的基础上,详细介绍了基于集成技术的改进朴素贝叶斯模型,该技术能够提高朴素贝叶斯分类器的分类性能。0引言在数据挖掘领域,分类是一个重要的研究方向,其关键问题是:构造一个分类器,也就是一种分类算法或者说构建一个分类模型,然后给属性集描述的实例指定最合适的标签。(本文来源于《电子世界》期刊2018年21期）
周红[5]（2018）在《朴素贝叶斯分类模型在出口企业预警评估中的应用》一文中研究指出数据分类是数据挖掘和机器学习的重要基础,在众多数据分类方法中朴素贝叶斯分类方法因其理论模型简洁,分类结果比较可靠,因此实际应用领域广泛。本文将朴素贝叶斯分类模型应用到进出口企业的预警评估分析工作中,以事实数据为训练样本,通过对历史数据的学习建立可靠的分类模型,增强预警评估的客观性。(本文来源于《电子技术与软件工程》期刊2018年16期）
汪周盼[6]（2018）在《基于朴素贝叶斯分类器的轨道交通客流分布模型研究》一文中研究指出随着现代城市规模的不断扩大,人口逐渐向大城市集中,为了解决城市居民出行难的问题,轨道交通因其具有载客量大,准时高效,安全环保等特点,逐渐成为了各大城市解决交通拥堵以及出行难问题的重要选择。轨道交通在设计建造的过程中,采用的是站内换乘的模式,即乘客在换乘站内不需要出站就可以由一条线路换乘到另一条线路,这给乘客出行带来了极大的方便,但由于乘客只需要进出站台刷卡,因此其在轨道交通网络中的出行路径也无法确定。一方面,由于资本运作的缘故,现在的轨道交通建设多采用PPP(Public-Private Partnership)模式,即由政府和社会资本共同出资建设公共基础设施,前期带来的收益共享。在轨道交通成网的前提下,如果不能准确掌握客流分布规律,对企业和政府的合作关系来而言,将蒙上阴影;另一方面,对轨道交通运营管理者而言,知晓乘客的路径选择乃至客流的分布规律,对于提高服务效率改善服务水平,意义重大。现有的做法大多是基于路径的阻抗函数来求得路径的概率,对路径加以研究而忽律了其中的主体:乘客。对于轨道交通网络中的多路径问题而言,影响乘客路径选择的因素乃至乘客本身才是问题的核心。本文在考虑轨道交通网络化运营的前提下,分析影响乘客路径选择的叁个关键因素:行程时间、行程距离和换乘次数,以单个乘客作为研究对象,提出一种基于朴素贝叶斯分类器的客流分配模型,通过比较乘客在每条有效路径后验概率的大小确定乘客的出行路径。文章首先分析了影响乘客路径选择的因素,将其分为确定性因素和不确定性因素,并分析了行程时间的分布规律以及行程时间的构成,为行程时间属性求解打下基础;其次提出了有效路径的定义,通过将路径路阻函数和广度优先路径搜索算法相结合,综合考虑路径的可达性和路径的路阻,生成OD间有效路径集;然后根据朴素贝叶斯分类器原理,构建以行程时间、行程距离和换乘次数为属性特征,单个乘客为研究对象的客流分配模型;最后以广州市轨道交通系统作为实例研究,分析了全体客流分布情况、高峰时段客流分布情况以及线网客流分布情况,并对计算结果做了合理性分析。(本文来源于《华南理工大学》期刊2018-06-19）
王会青,郭芷榕,白莹莹[7]（2019）在《基于BP和朴素贝叶斯的时间序列分类模型》一文中研究指出针对传统时间序列分类方法需要较为繁琐的特征抽取工作以及在只有少量标记数据时分类效果不佳的问题,通过分析BP神经网络和朴素贝叶斯分类器的特点,提出一种基于BP和朴素贝叶斯的时间序列分类模型。利用BP神经网络非线性映射能力和朴素贝叶斯分类器在少量标记数据下的分类能力,将BP神经网络抽取到的特征输入到朴素贝叶斯分类器中,可以较为有效地解决传统时间序列分类算法的问题。实验结果表明,该模型在标记数据较少情况下的时间序列分类中具有较高的分类准确度。(本文来源于《计算机应用研究》期刊2019年08期）
沈宏伟,邵堃,张阳洋,霍星,刘宗田[8]（2018）在《基于朴素贝叶斯的信任决策模型》一文中研究指出信任关系研究一直是解决人类复杂社会问题的有效手段.当前信任研究注重信任度的量化分析,忽视了信任对于行为决策的复杂作用.针对信任具有模糊性的特点,综合考虑信任关系中诸多要素,提出了一种新的信任决策模型.该模型将朴素贝叶斯算法和模糊理论相结合,以直接信任、间接信任、信誉作为信任的特征属性,根据朴素贝叶斯理论利用先验条件概率计算获得信任交互结果的后验概率.模型将凭借交互结果的后验概率帮助信任主体进行决策分析.实验表明,该模型具有较高的准确性,而且对恶意推荐有一定的抵御功能.(本文来源于《小型微型计算机系统》期刊2018年02期）
翁小雄,汪周盼,黄靖翔[9]（2018）在《基于朴素贝叶斯轨道交通网络客流分配模型》一文中研究指出在充分分析轨道交通行程时间组成要素及分布特性的基础上,利用已知AFC数据对行程时间参数进行估计,提出一种基于朴素贝叶斯分类器的轨道交通网络客流分配模型。利用AFC数据估算行程时间组成要素参数,得到OD间每条路径行程时间的均值及方差;将每名乘客的AFC数据作为一个样本,行程时间作为一个特征属性,利用朴素贝叶斯分类器进行概率分类,将每名乘客划分到后验概率最高的某条路径;得到轨道交通OD间每条有效路径的客流。根据广州地铁算例验证及仿真实验结果表明,该方法能较好预测每条有效路径客流分配比例。(本文来源于《重庆交通大学学报(自然科学版)》期刊2018年06期）
罗陆宁,李炳要[10]（2017）在《基于朴素贝叶斯的反窃电分析模型研究》一文中研究指出基于朴素贝叶斯的反窃电漏计分析模型使用窃电和非窃电电力用户的电量、电流、电压等相关历史数据训练朴素贝叶斯分类模型,再通过分类器对异常线损区间的用户进行分类,获得用户属于窃电嫌疑的概率值,经实验证明该分类器能有效的对窃电嫌疑用户进行甄别。算法固化在软件系统为高效、精准的窃电稽查工作提供工具保障。(本文来源于《信息系统工程》期刊2017年11期）
朴素贝叶斯模型论文开题报告
（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：
DDoS攻击一直是威胁网络安全的重要因素,针对DDoS攻击的检测方法层出不穷。但是现有的检测模型在兼顾实时性和准确性方面很难两全。本文提出的双层DDoS攻击检测模型,在实时捕捉网络数据包的基础上,通过两层数据分析,使检测的准确性有所提升。本文主要分为叁个部分,第一个部分简要介绍DDoS攻击,以及信息熵和朴素贝叶斯公式的相关概念,第二部分阐述基于信息熵及朴素贝叶斯公式混合模型的设计,最后一部分简要展示系统的总体设计。
（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。
朴素贝叶斯模型论文参考文献
[1].张燕.基于朴素贝叶斯的英语成绩预测模型构建研究[J].自动化技术与应用.2019
[2].霍一菲,陆颖颖.基于信息熵及朴素贝叶斯公式混合模型的DDoS攻击检测系统[J].网络安全技术与应用.2019
[3].马彬.基于规则学习和朴素贝叶斯算法的软件缺陷预测模型研究[D].吉林大学.2019
[4].高晓利,王维,赵火军.几种改进的朴素贝叶斯分类器模型[J].电子世界.2018
[5].周红.朴素贝叶斯分类模型在出口企业预警评估中的应用[J].电子技术与软件工程.2018
[6].汪周盼.基于朴素贝叶斯分类器的轨道交通客流分布模型研究[D].华南理工大学.2018
[7].王会青,郭芷榕,白莹莹.基于BP和朴素贝叶斯的时间序列分类模型[J].计算机应用研究.2019
[8].沈宏伟,邵堃,张阳洋,霍星,刘宗田.基于朴素贝叶斯的信任决策模型[J].小型微型计算机系统.2018
[9].翁小雄,汪周盼,黄靖翔.基于朴素贝叶斯轨道交通网络客流分配模型[J].重庆交通大学学报(自然科学版).2018
[10].罗陆宁,李炳要.基于朴素贝叶斯的反窃电分析模型研究[J].信息系统工程.2017