基于最小风险的单一表文件垃圾邮件过滤算法

研究探讨了传统贝叶斯模型的原理和优缺点,指出朴素贝叶斯算法没有考虑到合法邮件和垃圾邮件被误判带来的不同损失,因而有一定的局限性,而后以朴素贝叶斯为基础,结合最小风险的贝叶斯邮件过滤算法,提出改进的基于垃圾单词的单一表文件垃圾邮件过滤算法,提高了系统的执行效率,减少合法邮件的误判对用户造成的损害,并构建了邮件过滤模型．     

改进动态克隆选择算法在邮件过滤中的应用研究

提出了可控变异和随机变异方法,改进了动态克隆选择算法,建立并实现一种改进的基于人工免疫系统的邮件过滤算法.并采用SpamAssassin垃圾邮件样本对算法性能进行测试.实验结果表明,引入改进的动态克隆选择算法后,该算法对具有变异特性的垃圾邮件能保持较高的正确识别率,具有较好的自适应性和多样性.     

贝叶斯分类算法在垃圾邮件过滤中的应用

研究分析了贝叶斯分类算法的原理,流程及优缺点,采用基于最小风险的贝叶斯决策方法对电子邮件的内容进行分析来识别出垃圾邮件,提高了邮件过滤系统的整体性能。     

基于套索（Lasso）的中文垃圾邮件过滤

使用向量空间模型表示的文本邮件数据高维而稀疏,不利于邮件过滤分类模型的建立,通常需在分类器训练前进行维数约减。Lasso回归是一种基于l1正则化的多元线性模型,其在模型参数估计的同时实现了变量选择。提出使用Lasso回归进行垃圾邮件过滤,建立Lasso回归邮件分类模型、Lasso回归词条选择结合逻辑回归的分类模型,结合中文文本垃圾邮件数据集TREC06C进行垃圾邮件过滤实验。实验结果表明Lasso回归词条选择结合逻辑回归的邮件分类模型性能更佳。     

邮件过滤系统中预处理方法的研究与实现

完成了邮件过滤系统中的预处理工作。实现了信息增益特征选择算法,通过实验对比,得出了PU系列语料库合适的特征维数。使用词频反文档频率公式计算了特征词的权重,通过算法把标准邮件集处理成了支持向量机算法可以直接处理的向量空间模型的形式。     

基于进化规划的BP神经网络学习

通过对将传统的BP算法和遗传算法应用到BP神经网络的学习的研究和分析,指出它们存在的缺陷。提出一个改进的进化规划算法,并将其应用于BP神经网络的权值优化。取XOR问题和4奇偶性问题的实验对传统的进化规划算法和改进的进化规划算法进行实验对比。实验结果表明,本文中提出的改进的进化规划算法优于前2个算法。     

基于改进PSO算法的两阶段损伤识别方法

为解决结构多损伤情况下的位置识别和损伤程度判定问题,提出了一种基于改进粒子群优化算法和贝叶斯理论的两阶段损伤识别方法,该方法采用频率和模态应变能作为损伤定位源数据,分别用基于频率改变和基于应变能耗散率的识别方法进行损伤信息的初步提取,再利用贝叶斯融合理论对损伤位置进行较为精确的判定.然后,利用粒子群优化(PSO)算法对损伤位置和程度进行更为精确的二次识别.考虑到简单PSO算法易陷入局部最优解,提出了3种改进措施,即粒子位置突变、最优记忆粒子微搜索和双收敛措施.数值仿真结果表明:采用贝叶斯融合理论可以有效地识别出可能的损伤单元,在此基础上用改进的PSO算法可以更精确地识别损伤的位置和程度,同时采用3种改进措施的PSO算法的识别精度明显优于其他PSO算法和遗传算法.     

改进可辨识矩阵的启发式知识约简及规则算法

首先提出了改进可辨识矩阵,然后对属性重要性进行了重新定义,并且将模糊聚类应用于属性重要性划分,从而在此基础上提出了一种启发式知识约简及决策规则提取算法.给出了新的不相容率的概念,用于描述知识数据库中数据不相容特征和修正提取的决策规则的决策错误率.经过实验,该算法具有优良的性能.     

SMO算法在邮件过滤中的应用

针对传统的支持向量机(SVM)算法在速度方面的缺陷,本文提出将序列最小优化(SMO)算法引人到垃圾邮件过滤系统中,实验结果证明,该模型训练时间快,过滤效果好.     

考虑数据异质性的贝叶斯混合回归退化建模

针对退化数据的异质性问题,提出基于随机效应混合回归的贝叶斯退化建模与剩余使用寿命预测方法.通过模型随机参数的混合概率分布描述异质性退化数据的统计特征,并利用分层先验和Gibbs算法进行贝叶斯参数估计.进而,将随机参数的贝叶斯估计作为有信息先验,利用在线观测数据进行贝叶斯参数更新和剩余使用寿命估计.通过涡轮发动机退化数据验证了所提方法的剩余使用寿命预测性能.实验结果表明,考虑了异质性影响的贝叶斯混合回归退化建模方法,能更好地刻画设备个体的退化特征,提高了预测准确度.