贝叶斯分类多实例.docVIP

用于运动识别的聚类特征融合方法和装置 提供了一种用于运动识别的聚类特征融合方法和装置，所述方法包括：将从被采集者的加速度信号中提取的时频域特征集的子集内的时频域特征表示成以聚类中心为基向量的线性方程组；通过求解线性方程组来确定每组聚类中心基向量的系数；使用聚类中心基向量的系数计算聚类中心基向量对子集的方差贡献率；基于方差贡献率计算子集的聚类中心的融合权重；以及基于融合权重来获得融合后的时频域特征集。 加速度信号 (时频域特征 (以聚类中心为基向量的线性方程组 (向量的系数 (贡献率 (权重 本发明公开了一种基于特征组合的步态行为识别方法，包括以下步骤：通过加速度传感器获取用户在行为状态下身体的运动加速度信息；从上述运动加速度信息中计算各轴的峰值、频率、步态周期和四分位差及不同轴之间的互相关系数；采用聚合法选取参数组成特征向量；以样本集和步态加速度信号的特征向量作为训练集，对分类器进行训练，使的分类器具有分类步态行为的能力；将待识别的步态加速度信号的所有特征向量输入到训练后的分类器中，并分别赋予所属类别，统计所有特征向量的所属类别，并将出现次数最多的类别赋予待识别的步态加速度信号。实现简化计算过程，降低特征向量的维数并具有良好的有效性的目的。 传感器 — 加速度信息 – 、频率、步态四分位相关系数 (聚合法 -(向量 (和步态加速度信号的特征向量训练 (分类器具有分类步态行为的能力 本发明公开了一种基于贝叶斯网络的核心网故障诊断方法及系统，该方法从核心网的故障受理中心采集包含有告警信息和故障类型的原始数据并生成样本数据，之后存储到后备训练数据集中进行积累，达到设定的阈值后放入训练数据集中；运用贝叶斯网络算法对训练数据集中的样本数据进行计算，构造贝叶斯网络分类器；从核心网的网络管理系统采集含有告警信息的原始数据，经贝叶斯网络分类器计算获得告警信息对应的故障类型。本发明，利用贝叶斯网络分类器构建故障诊断系统，实现了对错综复杂的核心网故障进行智能化的系统诊断功能，提高了诊断的准确性和灵活性，并且该系统构建于网络管理系统之上，易于实施，对核心网综合信息处理具有广泛的适应性。 告警信息和类型 ( —贝叶斯网络分类器 —告警信息对应的故障类型 一种MapReduce并行化大数据文本分类方法 一种MapReduce并行化大数据文本分类方法，包括如下步骤：第一步：建立用于文本分类的基准测试数据集，进行数据预处理，包括分词、去停用词、词根还原；将该基准测试数据集随机划分为训练文本和测试文本，将所述基准测试数据集采用向量空间模型建立文本表示模型；第二步：根据上述文本表示模型采用CDMT对所述基准测试数据集进行特征选择；第三步：采用贝叶斯分类器对所述基准测试数据集进行训练学习，得到分类结果。本发明提供一种分类性能良好、区分度较高的MapReduce并行化大数据文本分类方法。 文本分类的基准测试数据集 (预处理：分词、去停用词、词根还原(训练文本和测试文本(向量模型建立文本表示模型(CDMT对基准进行特征选择(贝叶斯分类器(分类结果 基于贝叶斯分类器的股票中长期趋势预测方法及系统 本发明涉及一种基于贝叶斯分类器的股票中长期趋势预测方法，包括：股票数据的选取，确定各个起始点及区间长度dj；划分区间，计算出历史数据区间斜率；对历史数据区间斜率进行学习并对置信度判断区间进行预测，得到以置信度判断区间起始点为起点的多个交易日的股票均价；计算置信度，将置信度与预先设定好的阈值进行比较；预测未来区间斜率,将未来区间斜率转化得到以预测区间起始点为起点的多个交易日的股票均价；将以预测区间起始点为起点的多个交易日的股票均价的涨跌进行归一化，得到股票的涨跌值；构建股票池。本发明避免了产生累积误差，展现出了在预测区间内的股票趋势变化，更好地捕捉了股市波动变化趋势，更加有效地评估了交易风险。 (股票数据选取 —确定各个起始点及区间长度 ---区间斜率 -(学习并置信度区间测试 -(股票均价 -(置信度 -(设定好的阈值比较 本发明提供了一种数据分类的方法及装置，该方法包括：预先设置多个数据的标识；根据样本数据确定每一种标识对应的分类规则；按组获取待标识的数据；将所述每组待标识的数据遍历所有分类规则；计算每种所述分类规则匹配的当前组中待标识的数据的匹配个数；确定匹配个数最大的分类规则对应的标识为当前组待标识的数据的标识。通过本发明提供的一种数据分类的方法及装置，能够提高标识数据的效率。 多数据的标 —确定每种标识分类规则 —待标识遍历分类规则 —每分类规则匹配当前组中标识数据匹配个数 -(确定匹配个数最大的分类规则对应的标当前组待识数据的标识 本发明给出一种移动自组网路由节点行为预测方法，该方法首先选择合适的移动自组路由属性，设置模糊邻近关系，然后根据此原则对记录进行分类，