1) Naive Bayes Arithmetic
粗糙贝叶斯算法
2) Bayesian rough set
贝叶斯粗糙集
1.
Bayesian rough set model based on multiple decision classes
一种基于多决策类的贝叶斯粗糙集模型
2.
The Bayesian rough set model is a modified rough set model, it can avoid what Palawk rough set describes classification is precise completely, simultaneity it needn t give parameters previously like variable precision rough sets model.
贝叶斯粗糙集模型是一种修正的变精度粗糙集模型,它既能克服粗糙集模型所描述的分类是完全精确的,同时又不需要象变精度粗糙集模型需要预先给定参数,因此在人工智能与认识科学领域有重要的作用。
3.
Based on Bayesian Rough Set, introducing the distinction between Bayesian matrix, frequency of use of properties and attributes as a stimulating factor in the length, the article gives the Bayesian rough set attribute reduction algorithm for another, and finally put forward a Based on the characteristics of a color image classification model and its classification algorithm.
基于贝叶斯粗糙集,引入贝叶斯区分矩阵,采用属性的出现频率与属性的长度作为启发因素,并以此给出了贝叶斯粗糙集属性约简的另外一种算法,最后提出了一种基于颜色特征的图像分类模型及其分类算法。
4) Bayes algorithm
贝叶斯算法
1.
Application of binarization based on Bayes algorithm;
基于贝叶斯算法的二值化算法
2.
Experimental results show some significant conclusions: firstly,support vector machine has the best performance with maximal time expenditure and Bayes algorithm is the fastest on English text database;secondly,the performance of each algorithm on Chinese text database is lower than that on English text database because of the dif.
实验结果表明:对于英文文本数据,支持向量机具有最优的性能,但时间开销最大,贝叶斯算法速度较快;对于中文文本数据,由于分词的困难,使得算法性能普遍低于同等规模下在英文数据集上的性能。
3.
In order to implement the parameter estimate in cable fault location system, an improved Bayes algorithm used for Model parameter estimate is proposed in this paper.
为实现电缆故障定位系统的参数估计,提出了一种用于模型参数估计的改进贝叶斯算法。
5) bayesian algorithm
贝叶斯算法
1.
Research of multi-class Bayesian algorithm based on one-class SVM probability density estimation;
基于一类SVM概率密度估计的多分类贝叶斯算法研究
2.
Musical Istruments Signal Study Based on the Bayesian Algorithm;
基于贝叶斯算法的乐器音频信号研究
3.
An improvement program of application of Bayesian algorithm to anti-spam
贝叶斯算法在反垃圾邮件应用中的改进方案
补充资料：贝叶斯公式
贝叶斯公式为利用搜集到的信息对原有判断进行修正提供了有效手段。在采样之前，经济主体对各种假设有一个判断（先验概率），设为，{}。
关于先验概率的分布，通常可根据经济主体的经验判断确定(当无任何信息时，一般假设各先验概率相同)，较复杂精确的可利用包括最大熵技术或边际分布密度以及相互信息原理等方法来确定先验概率分布。
当采样得到样本值后，当事人对各假设的判断(后验概率)为
关于先验概率的分布，通常可根据经济主体的经验判断确定(当无任何信息时，一般假设各先验概率相同)，较复杂精确的可利用包括最大熵技术或边际分布密度以及相互信息原理等方法来确定先验概率分布。
当采样得到样本值后，当事人对各假设的判断(后验概率)为
，= 1， 2， %26#8230;， (5.5)
在实际经济生活中，信息搜寻工作不是一次就完成的。当信息搜寻进行到某一阶段，设已进行了 次采样( =1，2，%26#8230;)，此时经济主体对各假设的后验概率的认识为
=1， 2， %26#8230;， (5.6)
其中，表示在第次采样前对假设的判断，当 =1时即表示第一次采样前的先验概率，从而式(5.5)变成式(5.6)的一个特例，即，将其记为。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条