导读:本文包含了朴素贝叶斯分类论文开题报告文献综述及选题提纲参考文献，主要关键词:视频分类,朴素贝叶斯,特征提取,极大似然估计
朴素贝叶斯分类论文文献综述
庞博,成东坡[1]（2019）在《利用朴素贝叶斯分类器的视频分类方法》一文中研究指出朴素贝叶斯分类器是分类算法集合中基于贝叶斯理论的一种算法,为了对海量的视频进行分类,提出了一种基于朴素贝叶斯分类器的视频分类方法。首先,对视频进行特征提取,提取纹理、颜色以及亮度叁种反映其类别的特征。在提取到视频的颜色、亮度以及纹理特征之后,然后进行基于朴素贝叶斯分类器的视频分类。对于输入的几种特征,采用极大似然估计,直至完成最终的分类。实验结果表明,提出的视频分类方法取得了较为准确的分类结果,对篮球、足球、斯诺克等5个运动项目均取得了90%以上的分类准确性。(本文来源于《武汉工程职业技术学院学报》期刊2019年03期）
葛继科,陈栋,王文和,陈祖琴,陈国荣[2]（2019）在《基于改进朴素贝叶斯分类算法的火灾分类》一文中研究指出针对火灾文本中各类别分布不均衡的特点,提出了基于改进朴素贝叶斯(INB)的文本分类算法,用于对其进行相对准确的分类。首先,利用改进的卡方统计(ICHI)方法提取各类别文本特征词条,再根据特征词条在对应类别中所起的作用不同,使用词频-反文档频率(TF-IDF)加权计算方法对其赋予不同的权重,从而构建INB分类器;接着,通过分词处理和特征词提取,构建火灾文本数据集;最后,应用INB分类器实现对火灾文本的有效分类。本方法规范化地提取和表示了火灾文本的特征词条,解决了火灾文本在训练集数据量少且各类别分布不均衡时存在少数类别特征被覆盖和分类准确度受特征词集规模影响较大的问题。为了验证本方法的有效性,引入Kappa系数作为分类器性能评价指标,并与传统朴素贝叶斯方法和补集朴素贝叶斯算法进行比较。结果表明,所提方法准确度和Kappa系数分别达到了91. 45%和0. 903,分类器性能比较理想,能够较为准确地对类别分布不均衡的火灾文本进行分类。(本文来源于《安全与环境学报》期刊2019年04期）
杨开,李少毅,张凯,钮赛赛[3]（2019）在《基于朴素贝叶斯分类器的空中红外目标抗干扰识别方法研究》一文中研究指出红外诱饵对抗技术的发展使得空战环境日益复杂化,对红外成像制导空空导弹抗干扰目标识别技术提出了更高的要求。红外诱饵的投放使得目标特征的完整性、显着性及稳定性遭到破坏,基于特征融合匹配的统计模式识别方法无法准确识别目标。提出了一种基于朴素贝叶斯分类器的抗干扰目标识别方法,该方法对空战对抗仿真图像数据集进行了特征挖掘,利用实验拟合方法构建了典型特征的概率密度函数模型,构造了朴素贝叶斯分类器,实现了飞机目标和干扰的分类识别。仿真实验结果表明,该方法在已测试的弹道图像数据集下的平均识别正确率达到了81.82%,且能够解决假目标、目标遮挡等抗干扰目标的识别难题。(本文来源于《飞控与探测》期刊2019年04期）
吴家皋,周虹宇,刘林峰[4]（2019）在《基于半朴素贝叶斯分类器的车载容迟网路由算法》一文中研究指出在真实环境下的车载容迟网中,节点的移动模式通常具有一定的时间周期性。基于这个特性,文中提出了基于半朴素贝叶斯分类器的路由算法。该算法基于节点周期性移动的网络属性(比如数据包转发的时间和地点)划分节点类别并以此进行路由决策。相较于现有基于先验概率的算法和朴素贝叶斯算法,该算法基于包含更多信息的后验概率并着重考虑属性间的依赖关系。仿真实验结果表明,该算法相较于传统的路由算法提升了报文投递率,并减少了网络开销。(本文来源于《南京邮电大学学报(自然科学版)》期刊2019年03期）
任世超,黄子良[5]（2019）在《基于二维信息增益加权的朴素贝叶斯分类算法》一文中研究指出由于朴素贝叶斯算法的特征独立性假设以及传统TFIDF加权算法仅仅考虑了特征在整个训练集的分布情况,忽略了特征与类别和文档之间关系,造成传统方法赋予特征的权重并不能代表其准确性.针对以上问题,提出了二维信息增益加权的朴素贝叶斯分类算法,进一步考虑到了特征的二维信息增益即特征类别信息增益和特征文档信息增益对分类效果的影响,并设计实验与传统的加权朴素贝叶斯算法相比,该算法在查准率、召回率、F1值指标性能上能提升6%左右.(本文来源于《计算机系统应用》期刊2019年06期）
李宏磊,丛玉良,任柏寒[6]（2019）在《基于隐朴素贝叶斯分类方法的垂直切换算法》一文中研究指出为解决车辆在相对高速运动下产生网络间切换的"乒乓效应",根据隐朴素贝叶斯分类思想,突破原有贝叶斯决策中关于属性之间完全独立的假设,建立属性间的关系,同时引入自适应修正概率,降低切换次数,避免了运算的复杂度。仿真结果表明,改进算法与原算法及其他算法相比较,可以有效降低切换次数,并且拥有更低的运行时间,提升了在车联网环境下垂直切换的稳定性与效率。(本文来源于《吉林大学学报(信息科学版)》期刊2019年03期）
邹东兴[7]（2019）在《面向不平衡电商评论文本的改进朴素贝叶斯分类模型研究》一文中研究指出文本挖掘是数据挖掘中的重要研究方向之一,本文选取较热门的电商评论数据情感分类作为应用场景。随着海量的订单数量每天产生巨大好评或差评数据,手动的人工分类会耗费大量的人力物力,若此时应用文本情感分类的方法,则会达到省时省力的效果。在文本分类领域中,朴素贝叶斯方法是常用的分类模型,有着高效且快速的特点。但针对电商商品的评论数据,其有着较严重的样本不平衡特点,即用户给予好评的样本数量远大于用户给予差评的样本数量,若不进行适当的处理,分类的结果会向多数类倾斜,少数类样本很难被识别处理,会严重影响分类模型的效果。本文的研究目的便是针对电商商品评论数据具有样本不平衡的特点,对朴素贝叶斯算法进行改进,能有效提高模型在不平衡样本下的分类准确率。为提高不平衡电商评论数据的分类成功率,本文主要从样本空间、模型算法、集成模型叁个方面开展工作:(1)对于不平衡数据的样本空间,若不加以改造,那么分类的结果会较容易偏向类别较多的样本,本文则结合欠采样方法以及基于word2vec的词移距离进行判断,从多数类样本中采用欠采样方法选择出词移距离与待预测样本较近的若干个样本,从而构造出新的平衡训练样本。(2)在对平衡样本构造的前提下,会损失一定的样本,为了给分类模型提供更多样本中的信息,再进一步考虑赋予样本权重,因此,本文提出了基于WMD文本加权的多项式朴素贝叶斯模型。在(1)的基础上,根据所计算的词移距离对训练样本进行样本加权处理,并据此对传统的多项式朴素贝叶斯模型进行改进,使得模型能对样本信息进行充分地训练。(3)为了更好提高模型的预测能力,考虑模型组合的方法,在本文提出的改进朴素贝叶斯算法的基础上,进行模型的集成,反复迭代训练多个弱分类模型,对文本权重进行优化,最后形成一个强分类模型,相对于单个分类模型,经过集成后的模型具有更好的预测能力。(本文来源于《广州大学》期刊2019-05-01）
时中朝,郝伟娜,董红召[8]（2019）在《基于朴素贝叶斯分类器的公共自行车系统故障诊断方法》一文中研究指出针对公共自行车没有安装车载检测传感器、流动及停放区域较大、管理部门无法及时发现自行车故障等问题,提出了基于朴素贝叶斯分类器的自行车故障诊断方法。通过分析公共自行车系统(PBS)租用记录、维修记录和用户评价,选取15个状态分类特征作为自行车故障检测的特征向量;根据朴素贝叶斯分类器后验概率,获取每个状态分类特征对类的贡献率;以召回率作为评价指标来预测诊断故障自行车。采用杭州市PBS 2016年的相关数据对模型进行实践验证,通过预测模型输入特征值的优化,测试样本的召回率达85.79%,精度较为理想。(本文来源于《中国机械工程》期刊2019年08期）
王彬菁[9]（2019）在《基于朴素贝叶斯分类算法的微博文本的情感分析研究》一文中研究指出随着移动互联技术的发展,微博作为一种新媒体形式日益成为国内主流的移动社交媒体平台,微博使用的人群数量庞大,微博平台包含的内容丰富,网络社交的功能突出。微博包含海量的信息数据且数据种类多样,即有文档文本数据,也有图片、表情符号、视频动画等非结构化的数据。因此,对各政府部门和企业单位的网络舆情监管提出了艰巨的挑战,有关中文微博文本的情感分析的研究也成为近几年数据挖掘领域的关注方向之一,情感分析研究主要围绕着信息的抽取和情感倾向的判定,均离不开对微博文本的分词工作。本文提出一种基于朴素贝叶斯分类算法的分词归类方法,对比PMI互信息和特征频度TF方法的优劣,为微博文本中的词汇进行归类,分为喜、怒、悲、惊、乐五大类,从而分析文本的情感倾向。(本文来源于《中国新通信》期刊2019年08期）
姚家麟,谭召,于松楠,鞠茵茵,刘素娟[10]（2019）在《基于K均值聚类算法及朴素贝叶斯分类器的学习行为分析研究》一文中研究指出随着互联网技术在教育领域应用得越来越成熟,各类型的网络教学平台与测试系统层出不穷。无论是各个高校的网络授课系统,还是包含各类行业实际案例课程的网课平台,都为当代学习者与授课方提供了极大的便利。在各类教学平台中,均有大量的数据产出,对这些在线学习过程中产生的大量数据进行挖掘,可以有效地对学习者的学习行为模式提出建议与优化,同时,可以给授课方精准的授课效果分析,帮助授课方改进授课方针。在由大量用户组成的学习社区生态下,通过多维度数据挖掘,可以对不同用户给出精准的课业投放,大大提高用户的学习体验。(本文来源于《电脑知识与技术》期刊2019年11期）
朴素贝叶斯分类论文开题报告
（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：
针对火灾文本中各类别分布不均衡的特点,提出了基于改进朴素贝叶斯(INB)的文本分类算法,用于对其进行相对准确的分类。首先,利用改进的卡方统计(ICHI)方法提取各类别文本特征词条,再根据特征词条在对应类别中所起的作用不同,使用词频-反文档频率(TF-IDF)加权计算方法对其赋予不同的权重,从而构建INB分类器;接着,通过分词处理和特征词提取,构建火灾文本数据集;最后,应用INB分类器实现对火灾文本的有效分类。本方法规范化地提取和表示了火灾文本的特征词条,解决了火灾文本在训练集数据量少且各类别分布不均衡时存在少数类别特征被覆盖和分类准确度受特征词集规模影响较大的问题。为了验证本方法的有效性,引入Kappa系数作为分类器性能评价指标,并与传统朴素贝叶斯方法和补集朴素贝叶斯算法进行比较。结果表明,所提方法准确度和Kappa系数分别达到了91. 45%和0. 903,分类器性能比较理想,能够较为准确地对类别分布不均衡的火灾文本进行分类。
（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。
朴素贝叶斯分类论文参考文献
[1].庞博,成东坡.利用朴素贝叶斯分类器的视频分类方法[J].武汉工程职业技术学院学报.2019
[2].葛继科,陈栋,王文和,陈祖琴,陈国荣.基于改进朴素贝叶斯分类算法的火灾分类[J].安全与环境学报.2019
[3].杨开,李少毅,张凯,钮赛赛.基于朴素贝叶斯分类器的空中红外目标抗干扰识别方法研究[J].飞控与探测.2019
[4].吴家皋,周虹宇,刘林峰.基于半朴素贝叶斯分类器的车载容迟网路由算法[J].南京邮电大学学报(自然科学版).2019
[5].任世超,黄子良.基于二维信息增益加权的朴素贝叶斯分类算法[J].计算机系统应用.2019
[6].李宏磊,丛玉良,任柏寒.基于隐朴素贝叶斯分类方法的垂直切换算法[J].吉林大学学报(信息科学版).2019
[7].邹东兴.面向不平衡电商评论文本的改进朴素贝叶斯分类模型研究[D].广州大学.2019
[8].时中朝,郝伟娜,董红召.基于朴素贝叶斯分类器的公共自行车系统故障诊断方法[J].中国机械工程.2019
[9].王彬菁.基于朴素贝叶斯分类算法的微博文本的情感分析研究[J].中国新通信.2019
[10].姚家麟,谭召,于松楠,鞠茵茵,刘素娟.基于K均值聚类算法及朴素贝叶斯分类器的学习行为分析研究[J].电脑知识与技术.2019