导读:本文包含了朴素贝叶斯算法论文开题报告文献综述、选题提纲参考文献，主要关键词:朴素,文本,前车,算法,特征,余弦,组合。
朴素贝叶斯算法论文文献综述写法
魏洪贵,贺伊琳,卫龙龙,张大禹,叶毅铭[1]（2020）在《基于朴素贝叶斯算法的变权重多目标自适应巡航控制策略》一文中研究指出针对目前使用较为广泛的基于模型预测控制的自适应巡航系统,该文提出一种分层控制结构,设计一种变权重的模型预测控制器作为上位控制器。为了获得最佳加速度,综合考虑驾驶员期望车距,车辆自身物理限制,前车加速度影响等因素。使用高斯朴素贝叶斯算法预测前方车辆未来行为,从而采取不同的权重参数策略。通过Matlab/Simulink与Carsim对固定权重参数和可变权重参数分别进行联合仿真,结果表明,随着道路条件的变化,可变权重参数可以提高车辆自适应巡航系统的表现效果,显着降低固定权重策略的系统速度和距离偏差量,有效提高了系统的控制精度与适应性。(本文来源于《西北大学学报(自然科学版)》期刊2020年01期）
朱峰,潘晓中[2]（2019）在《朴素贝叶斯算法在反恐情报分类中的应用研究》一文中研究指出[目的/意义]提出一种基于朴素贝叶斯算法的反恐情报分类模型,在反恐工作中,根据涉恐情报的特点,使用机器学习的方法训练分类器进行涉恐等级划分。[方法/过程]该分类模型建立过程包括构建情报词典、构建样本集、属性降维、构建分类器、评价标准以及实验结果分析等六个步骤。为了详细描述该模型的分类过程,利用虚拟样本集中的数据进行了数据挖掘和定量分析。[结果/结论]该方法能够快速对数据库中的数据信息进行分类,为情报研判提供参考依据,提高了分析效率,节约了人力成本。(本文来源于《情报探索》期刊2019年10期）
胡芷琦[3]（2019）在《基于改进朴素贝叶斯算法的安卓恶意软件检测研究》一文中研究指出由于安卓平台开源性、免费性的特点,恶意软件的数量急剧增长,其安全问题面临巨大挑战。现有的基于权限进行安卓恶意软件的静态检测方法中,往往利用单一的权限,缺少特征性,据此该文提出了一种安卓恶意软件检测的方案,通过反编译软件提取权限,运用改进的朴素贝叶斯方法进行分类,实验结果表明,基于权限组合,使用改进的朴素贝叶斯算法相比于传统的算法,具有较好的分类结果,准确率达到95%。(本文来源于《软件》期刊2019年10期）
陈长胜,曹新德[4]（2019）在《基于朴素贝叶斯算法的IPRAN网络智能运维系统》一文中研究指出本文建立了IPRAN网络运维系统工作模型,通过IT手段,实现智能运维系统开发。阐述了IPRAN业务规划、业务开通、故障处理等叁大现网维护问题的分析方法,针对业务故障提出基于朴素贝叶斯的快速定位算法,极大提高了维护效率。在网络SDN化发展的新阶段,对新的网络维护模式做出了初步积极探索。(本文来源于《江苏通信》期刊2019年03期）
刘欣[5]（2019）在《基于改进的朴素贝叶斯算法和KNN算法在招聘文本分类中的应用》一文中研究指出随着因特网时代的快速发展,大量的数据可以通过因特网来获得。同样的,求职者也可以从因特网中的招聘网站上获取招聘信息。但是在这些招聘网站上,却存在着一些乱象:例如,存在大量不相干的广告,或者存在需求不明确的招聘信息。这些情况的出现,给求职者在寻找工作的道路上平添了许多烦恼,不仅需要浪费大量的时间去浏览无效的招聘信息,还需要花费精力去分析这些招聘信息是否是正确的“招聘信息”。这些情况的出现,严重影响求职者的求职效率。为了改善这种情况,可以对招聘的文本进行分类处理。例如将招聘信息进行准确分类,就可以剔除掉那些不属于招聘信息的文本。那样,求职者只需要在属于招聘信息的文本中浏览自己感兴趣的招聘信息即可。通常对文本进行分类可采用的算法有:朴素贝叶斯算法、KNN算法、支持向量机等。本论文通过分析招聘文本信息的特点,改进了朴素贝叶斯算法和KNN算法,并且分别实现了改进后的算法,完成了对招聘文本更加准确快速分类的工作。本论文的主要研究工作为:(1)改进了朴素贝叶斯算法,提出了No-Zero Na?ve Bayes(NZ-NB)算法,并对其进行验证。通过分析招聘文本存在的特征和朴素贝叶斯算法的原理,发现朴素贝叶斯算法会存在零概率的问题,并对其进行改进。然后使用NZ-NB算法对数据集进行筛选,筛选出属于招聘信息的文本和不属于招聘信息的文本。通过对比NZ-NB算法与前人改进算法的实验结果,验证了NZ-NB算法的分类准确率相对较好。(2)改进了KNN分类算法,提出了FW-KNN(Fast Weight-KNN)算法,并对其进行验证。针对原始的KNN算法在面对招聘文本时,分类效率低下的问题,对原始的KNN算法进行了改进,将存在于招聘文本中的专业术语进行加权,使权值相同的特征词只计算一次,提高了算法的计算效率。通过对比FW-KNN算法和前人改进算法的实验结果,验证了FW-KNN算法有更快的效率。本论文提出的NZ-NB算法和FW-KNN算法,相对于前人改进的朴素贝叶斯算法和KNN算法有更好的分类准确率及分类效率。(本文来源于《河南大学》期刊2019-06-01）
马彬[6]（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）
童威,黄启萍[7]（2019）在《加权朴素贝叶斯算法在消防检测中的应用》一文中研究指出针对当前建筑物消防检测受干扰影响较大,导致火灾预测精度较低的问题,给出一种用于消防检测的改进朴素贝叶斯算法。基于消防检测数据分析,通过信息增益计算加权值,将特征属性附加权重系数对朴素贝叶斯算法进行改进,并在此基础上通过Weka平台,设计并实现了改进朴素贝叶斯算法框架,将其用于消防检测。实验验证,比较朴素贝叶斯算法和其他分类预测方法,改进的朴素贝叶斯算法能有效解决每个特征属性对类别变量影响的关联度量化问题,降低了分类干扰,提高了消防隐患检测准确率。(本文来源于《西安工程大学学报》期刊2019年01期）
王世博[8]（2019）在《基于朴素贝叶斯算法的物理题题型分类》一文中研究指出自然语言处理(NaturalLanguageProcessing,NLP)是目前人工智能研究领域中的一个热门方向,而文本处理是自然语言处理的一个具体任务,指使用计算机借助人工智能技术对文本语言进行处理的相关技术以及应用。本文针对中文文本分类,首先阐述了朴素贝叶斯算法的基本原理,然后分析研究了文本处理技术,具体包括利用jieba工具库进行中文分词、构建文本词向量模型及特征权重策略等关键技术,最后根据采集的真实物理题数据集进行了模型训练及测试实验来验证分类效果。本文通过实验表明,基于朴素贝叶斯算法的机器学习分类器模型可以有效地实现物理题题型分类,并给出了相应的查准率及查全率。(本文来源于《电子测试》期刊2019年Z1期）
黄勇,罗文辉,张瑞舒[9]（2019）在《改进朴素贝叶斯算法在文本分类中的应用》一文中研究指出朴素贝叶斯算法是一种基于概率统计的分类算法,广泛应用于机器学习中分类问题的求解中。文本分类是自然语言处理和数据挖掘领域中的研究热点有着广泛的应用前景。朴素贝叶斯算法已经在文本分类中取得了较好的分类效果,但是由于文本词向量的特征向量维度高,很多分类算法的求解效率和准确率都不高。文章提出一种基于词向量间余弦相似度的改进朴素贝叶斯算法,有效的降低了特征向量的数据冗余和计算复杂性。(本文来源于《科技创新与应用》期刊2019年05期）
程秀峰,范晓莹,杨金庆[10]（2019）在《一种融合了基于朴素贝叶斯算法与情境感知的协同推荐系统——以大学图书馆实体图书推荐为例》一文中研究指出[目的/意义]将情境感知技术引入图书馆以提高服务的智能化,已成为数字图书馆的发展趋势之一。为了提高情境感知模型中推荐结果的准确度。[方法/过程]本文研究并提出了一种融合了朴素贝叶斯算法与情景感知功能的协同推荐模型,并通过实验对推荐效果进行了评估。具体为:首先,获取用户的当前任务和情景信息,同时提取历史信息库用户的行为偏好;其次基于属性加权贝叶斯算法计算用户的行为相似度,继而进行协同推荐;通过计算目标情景中所有情景属性对所推荐资源的影响的权值,对协同推荐所得评分进行加权处理,形成最终的预测预测;最后通过实验对模型进行检验。[结果/结论]结果表明:使用该模型得出的推荐结果优于传统的协同推荐结果。因此该模型能够更好地为为个性化信息服务提供支持。(本文来源于《现代情报》期刊2019年02期）
朴素贝叶斯算法论文开题报告范文
（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：
[目的/意义]提出一种基于朴素贝叶斯算法的反恐情报分类模型,在反恐工作中,根据涉恐情报的特点,使用机器学习的方法训练分类器进行涉恐等级划分。[方法/过程]该分类模型建立过程包括构建情报词典、构建样本集、属性降维、构建分类器、评价标准以及实验结果分析等六个步骤。为了详细描述该模型的分类过程,利用虚拟样本集中的数据进行了数据挖掘和定量分析。[结果/结论]该方法能够快速对数据库中的数据信息进行分类,为情报研判提供参考依据,提高了分析效率,节约了人力成本。
（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。
朴素贝叶斯算法论文参考文献
[1].魏洪贵,贺伊琳,卫龙龙,张大禹,叶毅铭.基于朴素贝叶斯算法的变权重多目标自适应巡航控制策略[J].西北大学学报(自然科学版).2020
[2].朱峰,潘晓中.朴素贝叶斯算法在反恐情报分类中的应用研究[J].情报探索.2019
[3].胡芷琦.基于改进朴素贝叶斯算法的安卓恶意软件检测研究[J].软件.2019
[4].陈长胜,曹新德.基于朴素贝叶斯算法的IPRAN网络智能运维系统[J].江苏通信.2019
[5].刘欣.基于改进的朴素贝叶斯算法和KNN算法在招聘文本分类中的应用[D].河南大学.2019
[6].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
[7].童威,黄启萍.加权朴素贝叶斯算法在消防检测中的应用[J].西安工程大学学报.2019
[8].王世博.基于朴素贝叶斯算法的物理题题型分类[J].电子测试.2019
[9].黄勇,罗文辉,张瑞舒.改进朴素贝叶斯算法在文本分类中的应用[J].科技创新与应用.2019
[10].程秀峰,范晓莹,杨金庆.一种融合了基于朴素贝叶斯算法与情境感知的协同推荐系统——以大学图书馆实体图书推荐为例[J].现代情报.2019