CN110852441B - 一种基于改进朴素贝叶斯算法的火灾预警方法 - Google Patents
一种基于改进朴素贝叶斯算法的火灾预警方法 Download PDFInfo
- Publication number
- CN110852441B CN110852441B CN201910916618.5A CN201910916618A CN110852441B CN 110852441 B CN110852441 B CN 110852441B CN 201910916618 A CN201910916618 A CN 201910916618A CN 110852441 B CN110852441 B CN 110852441B
- Authority
- CN
- China
- Prior art keywords
- fire
- data
- category
- feature
- improved
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本发明提供一种基于改进朴素贝叶斯算法的火灾预警方法,包括确定火灾特征属性项以及火灾类别;获取多个数据及其各自归属的火灾类别分别形成训练样本集和测试样本集后进一步进行数据预处理;根据训练样本集的数据,计算出先验概率,并基于拉普拉斯平滑方法平滑处理后计算出条件概率;获取各火灾特征属性及特征属性取值的加权系数并结合先验、条件概率,构建出双重加权的朴素贝叶斯分类模型;对先验概率进行补偿,改进双重加权的朴素贝叶斯分类模型;将测试样本集的数据导入改进的朴素贝叶斯分类模型中进行分类,得到对应的火灾类别。实施本发明,克服了现有技术中火灾预警算法在准确率、实现难易度方面仍有待提高的问题,提高了火灾预测准确度。
Description
技术领域
本发明涉及火灾预警技术领域,尤其涉及一种基于改进朴素贝叶斯算法的火灾预警方法。
背景技术
在现代生产与社会生活中,火灾是最主要的灾害之一。仅在2018年1月至8月份,全国发生火灾16.61万起,与自然灾害相比,火灾造成的直接经济损失仅次于水灾和旱灾,是地震损失的5倍。在2013至2016年中,我国年均发生火灾30万起以上,火灾死亡1852人,火灾受伤1357人,直接财产损失44亿元。随着人们生活水平的不断提高,城市楼宇增加,人口密度增大,同时各种电器、电线网络交错复杂,火灾隐患日益严峻。因此,提前探测火灾发生前的环境征兆,并做出正确的反应对策,显得尤为重要。
火灾发生前会产生温度、湿度、一氧化碳浓度、二氧化碳浓度、烟雾浓度、光谱等特征变化,这些变量均可用于火灾的提前预警。火灾探测算法的准确性与可靠程度直接关系人身和财产安全,研究意义重大。
目前,已有大量的研究用于火灾的提前预警中。如孙哲、李彦斌、张民等学者提出的一种应用于直流换流站阀厅的火灾监视及自动灭火方案(直流换流站换流阀火灾监视系统及自动灭火方案[J].电网技术,2015,39(10):2836-2841),其火灾监视部分采用烟雾与紫外两种探测方法,分别对应阴燃和明火两种状态,在火灾识别率上有较大提高;又如,米继耀、施云波、修德斌等学者研究了基于MSP430单片机的高压开关柜火灾预警方法(基于MSP430的高压开关柜火灾预警系统的研制[J].电子测量技术,2010,33(09):81-84),通过对高压开关柜内导电连接处的温度进行检测与采集,最终由单片机模块判别是否发生火灾,具有结构简单、成本低、安装方便的优点。然而,在这一类研究中,实现预警的方法基本采用传统的阈值法,对于复杂多变的火灾环境往往会出现误报、漏报等问题。
为了克服传统阈值法所带来的问题,图像识别技术预判火灾为另一类常用的火灾预警方法,其通过图像采集、处理、特征提取等,通过分类器进行火灾识别,可以实现较好的预警功能。但该方法易受坏境干扰,如雾气、灯光等,对于图像差异不大的环境,其特征提取比较困难,且较难进行观测特征信息融合,当产生不同的火灾图像特征时,难以正确预测。
随着人工智能技术的推广,智能算法逐渐应用到火灾预测中,包括模糊算法和神经网络算法;其中,模糊算法有着较强的处理不确定性的能力,且控制机理简单,但其探测精度极大取决于模糊规则的制定,依赖专家经验,无法由样本数据获得;神经网络算法虽然抗干扰性强,容错能力较高,有较高系统可靠性,但通常需要大量的参数,如网络拓扑结构、权值和阈值的初始值,不易理解,且运算量大,硬件实现难度和成本较高。
朴素贝叶斯(Naive Bayes,NB)算法是基于概率论的分类方法,原理简单也容易实现,对于硬件要求不高。通过合理的改进,其正确率可与神经网络等智能算法媲美,在垃圾邮件分类、文字情感分析等领域有较多应用。利用其对不确定证据的处理能力,可以应用于火灾预警当中。然而,朴素贝叶斯算法基于条件独立性和属性重要性的假设,在现实生活中,这种假设经常无法满足,需要对其进行改进,否则无法适用于火灾预测中。
发明内容
本发明实施例所要解决的技术问题在于,提供一种基于改进朴素贝叶斯算法的火灾预警方法,通过弱化朴素贝叶斯属性独立和决策重要性相同的假设来对算法进行改进,克服了现有技术中火灾预警算法在准确率、实现难易度方面仍有待提高的问题,提高了火灾预测准确度。
为了解决上述技术问题,本发明实施例提供了一种基于改进朴素贝叶斯算法的火灾预警方法,包括以下步骤:
确定形成数据特征向量的火灾特征属性项以及形成分类属性的火灾类别;
从预设的火灾特征数据库中,获取多个由所述数据特征向量构成的数据及其各自对应归属的火灾类别,并将所获取的多个数据分别形成训练样本集和测试样本集后进一步进行数据预处理;
根据所述训练样本集中已预处理后的数据,计算出每一火灾类别的先验概率,并基于拉普拉斯平滑方法对每一火灾特征属性项数据取值频数进行平滑处理后,计算出各火灾类别下对应所述数据特征向量中各火灾特征属性项的条件概率;
获取所述数据特征向量中预设的各火灾特征属性项之间的权重系数以及预设的每一火灾特征属性项上数据取值的权重系数,并根据所获取到的各火灾特征属性项之间的权重系数及每一火灾特征属性项上数据取值的权重系数,以及根据所计算出的每一火灾类别的先验概率及所计算出的各火灾类别下对应所述数据特征向量中各火灾特征属性项的条件概率,构建出双重加权的朴素贝叶斯分类模型;
基于正交试验方法得到补偿系数对所计算出的每一火灾类别的先验概率进行补偿,并根据所述双重加权的朴素贝叶斯分类模型构建出改进的朴素贝叶斯分类模型;
将所述测试样本集中已预处理后的数据导入所述改进的朴素贝叶斯分类模型中进行分类,得到所述测试样本集中每一已预处理后的数据各自对应的火灾类别。
其中,所述火灾特征属性项包括温度、湿度、一氧化碳浓度、二氧化碳浓度、烟雾浓度和光谱;所述火灾类别包括明火、阴燃和无火。
其中,根据公式计算出各火灾类别下对应所述数据特征向量中各火灾特征属性项的条件概率;其中,N(Ci)为火灾类别Ci的频数,N(xj,k∩Ci)为火灾特征属性项Xk取值为xj且属于火灾类别Ci的频数,Sj为火灾特征属性项Xk的所有取值个数。
其中,根据公式得到所述数据特征向量中预设的各火灾特征属性项之间的权重系数;其中,σk,i 2为火灾类别Ci下火灾特征属性项Xk的方差,/>为火灾类别Ci下所有火灾特征属性项的方差之和;/>为火灾特征属性项Xk对火灾类别Ci的方差贡献率,/>为火灾类别Ci下火灾特征属性项Xk的平均值。
实施本发明实施例,具有如下有益效果:
1、本发明基于火灾特征属性项和火灾特征属性项数据取值双重加权的方法,考虑了火灾特征属性项类内类间关系,弱化了朴素贝叶斯属性独立和决策重要性相同的假设,提高了分类模型的准确率;
2、本发明通过引入补偿系数,对先验概率进行了补偿,均衡了先验概率部分与条件概率部分的决策作用,降低了权重影响,提高了分类模型的准确率,实现了较好的火灾预警作用;
3、本发明通过引入拉普拉斯平滑方法,解决了训练样本集中数据较少时,条件概率失真的问题,提高了分类模型的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提出的一种基于改进朴素贝叶斯算法的火灾预警方法的流程图;
图2为本发明实施例提出的一种基于改进朴素贝叶斯算法的火灾预警方法中的应用场景图;其中,2a为精准率、2b为召回率、2c为F值。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
如图1所示,为本发明实施例中,提出的一种基于改进朴素贝叶斯算法的火灾预警方法,包括以下步骤:
步骤S1、确定形成数据特征向量的火灾特征属性项以及形成分类属性的火灾类别;
具体过程为,数据特征向量中的火灾特征属性项包括温度、湿度、一氧化碳浓度、二氧化碳浓度、烟雾浓度和光谱等;分类属性中的火灾类别包括明火、阴燃和无火等。
考虑到训练样本集和测试样本集中由数据特征向量形成一条数据,为避免数据过多及处理的复杂度,火灾特征属性项可以是一个或多个,且每一数据特征向量形成的数据对应的火灾类别为明火、阴燃、无火之中一个。
步骤S2、从预设的火灾特征数据库中,获取多个由所述数据特征向量构成的数据及其各自对应归属的火灾类别,并将所获取的多个数据分别形成训练样本集和测试样本集后进一步进行数据预处理;
具体过程为,在一个实施例中,选取温度、一氧化碳浓度及烟雾浓度三个火灾特征属性项形成数据特征向量,火灾类别为明火(OF)、阴燃(SF)和无火(NF),其从预设的火灾特征数据库中提取的数据如下表1所示:
表1
将训练样本集和测试样本集中的数据进行离散化和归一化处理。
步骤S3、根据所述训练样本集中已预处理后的数据,计算出每一火灾类别的先验概率,并基于拉普拉斯平滑方法对每一火灾特征属性项数据取值频数进行平滑处理后,计算出各火灾类别下对应所述数据特征向量中各火灾特征属性项的条件概率;
具体过程为,首先,根据训练样本集中已预处理后的数据,计算出每一火灾类别的先验概率;
其次,利用朴素贝叶斯算法分类时,需要计算多个概率的乘积,以获得该数据属于某个类别的概率,即计算当其中某一概率为0,即该特征属性取值总计数为0时,会导致包含该取值的测试数据永远无法分类至此类别,无论其他特征属性如何变化或如何贴近该类别。这个问题的本质是训练集样本数量太少,不满足大数定律,导致概率失真的问题。
为解决该问题,采用拉普拉斯平滑的方法,对每一特征取值初始化为1。当训练样本很大时,对每个特征属性取值进行频数平滑(如加1),对于最终分类比较值的影响可以忽略不计,却有效的解决了零概率的问题。经过拉普拉斯平滑后,某一火灾特征属性项取值为xj,k的条件概率计算为:
其中,N(Ci)为火灾类别Ci的频数,N(xj,k∩Ci)为火灾特征属性项Xk取值为xj且属于火灾类别Ci的频数,Sj为火灾特征属性项Xk的所有取值个数。
步骤S4、获取所述数据特征向量中预设的各火灾特征属性项之间的权重系数以及预设的每一火灾特征属性项上数据取值的权重系数,并根据所获取到的各火灾特征属性项之间的权重系数及每一火灾特征属性项上数据取值的权重系数,以及根据所计算出的每一火灾类别的先验概率及所计算出的各火灾类别下对应所述数据特征向量中各火灾特征属性项的条件概率,构建出双重加权的朴素贝叶斯分类模型;
具体过程为,朴素贝叶斯分类模型基于一个简单的假设,即在各分类特征条件下属性值之间相互独立,且每个特征属性相对于决策类别的重要性相同,然而,在现实生活中,这些假设往往无法满足。通过引入权重系数,对不同特征属性进行加权,是弱化这一假设,提高模型准确率的办法之一。因此,提出一种双重加权及补偿系数的朴素贝叶斯改进算法,采用火灾特征属性项加权与火灾特征属性项上数据取值加权来弱化朴素贝叶斯属性独立和决策重要性相同的假设,双重加权的朴素贝叶斯分类模型为:
根据公式得到所述数据特征向量中预设的各火灾特征属性项之间的权重系数;其中,σk,i 2为火灾类别Ci下火灾特征属性项Xk的方差,/>为火灾类别Ci下所有火灾特征属性项的方差之和;/>为火灾特征属性项Xk对火灾类别Ci的方差贡献率,考虑的是火灾特征属性项值波动对火灾分类的影响,/>为火灾类别Ci下火灾特征属性项Xk的平均值,考虑的是火灾特征属性项内容对火灾类别的影响。/>
步骤S5、基于正交试验方法得到补偿系数对所计算出的每一火灾类别的先验概率进行补偿,并根据所述双重加权的朴素贝叶斯分类模型构建出改进的朴素贝叶斯分类模型;
具体过程为,观察朴素贝叶斯分类模型可知,分类算法由先验概率p(Ci)及条件概率p(xk|Ci)的乘积共同决定分类结果。一旦引入权重系数作用于条件概率部分,这会导致原本算法中先验概率和条件概率对于分类结果的决策作用失衡,对于取对数运算后的模型,扩大了条件概率部分的决策作用,造成分类结果不正确。
因此,引入先验概率补偿系数ξi,对不同火灾类别Ci分别进行补偿,一方面用于均衡先验概率部分与条件概率部分的决策作用,另一方面可以减小由于样本数据类别分布不均匀带来的分类影响,其值通过大量的仿真实验最终获得的。为确定ξi大小,基于正交试验方法对其进行设计。以准确率A作为评价指标,其定义为:
式中,Nr为模型所能正确识别出明火、阴燃和无火的数据总数,N为测试集数据总数。
设第一次正交试验ξi有ξOF、ξSF和ξNF三个因素,根据经验水平,设每个因素具有1.5、2.5、3.5和4.5四种取值,构成3因素4水平正交试验,选用正交表进行ξi值的初步确定试验,试验结果如表2所示:
表2
通过表2的极差结果可以看出,对分类模型准确率影响最大的是ξOF,影响最小的是ξNF。ξOF最优水平为水平1,即初步确定ξOF取值为1.5,ξSF最优水平为水平2,即初步确定ξSF取值为2.5,ξNF最优水平为水平3,即初步确定ξOF取值为3.5。
根据正交试验结果,进行第二次正交试验以确定ξi的最终取值。此次正交试验选取ξOF、ξSF和ξNF三个因素,每个因素有五个水平,构成3因素5水平正交试验,选用正交表。因素水平与试验结果分别如表3和表4所示。
表3
表4
通过表4的极差结果可以看出,对分类模型准确率影响最大的依然是ξOF,影响最小的依然是ξNF。ξOF最优水平为水平1,ξSF最优水平为水平4,ξNF最优水平为水2和水平3,研究选取水平2。因此,可最终确定ξi值为ξOF=1.1,ξSF=2.7,ξNF=3.3。
步骤S6、将所述测试样本集中已预处理后的数据导入所述改进的朴素贝叶斯分类模型中进行分类,得到所述测试样本集中每一已预处理后的数据各自对应的火灾类别。
具体过程为,将测试样本集中已预处理后的数据导入改进的朴素贝叶斯分类模型中进行分类,即可得到测试样本集中每一已预处理后的数据各自对应的火灾类别,这样提高了火灾预警的准确度。
在本发明实施例中,以精准率(P)、召回率(R)和F值(F-measure)作为评估指标对模型进行评估。由于模型有三种决策类别,因此分别对两种起火状态即明火和阴燃以及这两种状态的总起火状态(TF)进行三个指标的评估。本文中精确率为模型所能正确识别出的起火状态(如明火)占模型识别出的所有该类起火状态(如明火)的比例;召回率为模型所能正确识别出的起火状态(如明火)占实际所有该起火状态(如明火)的比例;F-measure的计算公式为:
仿真实验以经过拉普拉斯平滑及对数运算后的分类模型为基础,分别加载加权系数及补偿系数,对朴素贝叶斯算法(NB)、双重加权的朴素贝叶斯算法(DWNB)以及所提出的DWCNB算法进行三个指标的对比分析。其中补偿系数根据步骤S5的内容进行计算,选取预设的火灾特征数据库的2984条数据样本作为训练集,1988条数据为测试集,统计各类别频数并进行各指标计算,具体测试结果如图2所示。
由图2可以看出,经过双重加权及补偿系数的改进后,算法在三种火灾状态下,各指标基本可以达到96%以上,其中阴燃状态下的召回率达到97.35%。由于DWCNB算法考虑了特征属性权重及权重对于类别决策度的影响,因此该算法与NB算法相比,总起火状态下的精确率、召回率和F-measure分别提高了5.89%、4.59%和5.25%,与DWNB算法相比,分别提高了2.2%、2.8%和2.25%,其主要原因是考虑了各决策别类别下各特征属性的决策作用大小,即特征属性间的联系,还考虑各决策类别下各特征属性不同取值对分类性能的影响,即特征属性内的联系,同时补偿系数的引入平衡了先验概率和条件概率的决策作用。因此改进后的算法在克服特征属性类内类间联系,提高独立性方面体现出更好的优越性,所以在弱化了条件独立性假设的前提下,基于三维样本数据的改进分类模型有着更高的准确率,证明了该改进方法是可行的。从图2中还可以发现,在总起火状态下,同一算法的召回率均大于其精确率,在对于火灾的实际预警中,我们更希望的结果是减少漏报,宁可在强干扰的环境下误报,也不能漏报每一次真实的火灾情况,因此,该结果是符合现实需求的。
本发明实施例以步骤S5中准确率A作为反映指标,同时对比了三种算法的预测准确程度。从预设的火灾特征数据库随机抽取3480条数据进行测试,得到的仿真结果如表5所示。
表5
由表5可以看出,经过双重加权后,测试集3的算法准确率提升最多,为4.36%,总准确率平均提升2.56%,在加载补偿系数后,测试集5提升最多,为3.2%,总准确率平均提升2.52%,与未改进的NB算法相比,测试集1提升最多,为6.75%,总准确率平均提升5.08%。改进后的分类模型准确率平均值为97.30%,最高可达98.13%,保持了良好的分类性能。
实施本发明实施例,具有如下有益效果:
1、本发明基于火灾特征属性项和火灾特征属性项数据取值双重加权的方法,考虑了火灾特征属性项类内类间关系,弱化了朴素贝叶斯属性独立和决策重要性相同的假设,提高了分类模型的准确率;
2、本发明通过引入补偿系数,对先验概率进行了补偿,均衡了先验概率部分与条件概率部分的决策作用,降低了权重影响,提高了分类模型的准确率,实现了较好的火灾预警作用;
3、本发明通过引入拉普拉斯平滑方法,解决了训练样本集中数据较少时,条件概率失真的问题,提高了分类模型的准确率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (6)
1.一种基于改进朴素贝叶斯算法的火灾预警方法,其特征在于,包括以下步骤:
确定形成数据特征向量的火灾特征属性项以及形成分类属性的火灾类别;
从预设的火灾特征数据库中,获取多个由所述数据特征向量构成的数据及其各自对应归属的火灾类别,并将所获取的多个数据分别形成训练样本集和测试样本集后进一步进行数据预处理;
根据所述训练样本集中已预处理后的数据,计算出每一火灾类别的先验概率,并基于拉普拉斯平滑方法对每一火灾特征属性项数据取值频数进行平滑处理后,计算出各火灾类别下对应所述数据特征向量中各火灾特征属性项的条件概率;
获取所述数据特征向量中预设的各火灾特征属性项之间的权重系数以及预设的每一火灾特征属性项上数据取值的权重系数,并根据所获取到的各火灾特征属性项之间的权重系数及每一火灾特征属性项上数据取值的权重系数,以及根据所计算出的每一火灾类别的先验概率及所计算出的各火灾类别下对应所述数据特征向量中各火灾特征属性项的条件概率,构建出双重加权的朴素贝叶斯分类模型;
基于正交试验方法得到补偿系数对所计算出的每一火灾类别的先验概率进行补偿,并根据所述双重加权的朴素贝叶斯分类模型构建出改进的朴素贝叶斯分类模型;
将所述测试样本集中已预处理后的数据导入所述改进的朴素贝叶斯分类模型中进行分类,得到所述测试样本集中每一已预处理后的数据各自对应的火灾类别。
2.如权利要求1所述的基于改进朴素贝叶斯算法的火灾预警方法,其特征在于,所述火灾特征属性项包括温度、湿度、一氧化碳浓度、二氧化碳浓度、烟雾浓度和光谱;所述火灾类别包括明火、阴燃和无火。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910916618.5A CN110852441B (zh) | 2019-09-26 | 2019-09-26 | 一种基于改进朴素贝叶斯算法的火灾预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910916618.5A CN110852441B (zh) | 2019-09-26 | 2019-09-26 | 一种基于改进朴素贝叶斯算法的火灾预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110852441A CN110852441A (zh) | 2020-02-28 |
CN110852441B true CN110852441B (zh) | 2023-06-09 |
Family
ID=69597044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910916618.5A Active CN110852441B (zh) | 2019-09-26 | 2019-09-26 | 一种基于改进朴素贝叶斯算法的火灾预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852441B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111583610B (zh) * | 2020-04-30 | 2021-07-16 | 深圳市前海用电物联网科技有限公司 | 一种因果模型的消防联动控制方法及系统 |
CN112906242B (zh) * | 2021-03-18 | 2023-02-28 | 吉林大学 | 一种基于朴素贝叶斯法与邻近分类法相结合的地球物理建模方法 |
CN113642644A (zh) * | 2021-08-13 | 2021-11-12 | 北京赛目科技有限公司 | 车辆环境等级的确定方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009136893A1 (en) * | 2008-05-08 | 2009-11-12 | Utc Fire & Security | System and method for video detection of smoke and flame |
CN107169515A (zh) * | 2017-05-10 | 2017-09-15 | 杭州电子科技大学 | 一种基于改进朴素贝叶斯的个人收入分类方法 |
CN110059756A (zh) * | 2019-04-23 | 2019-07-26 | 东华大学 | 一种基于多目标优化的多标签分类系统 |
CN110072186A (zh) * | 2019-04-15 | 2019-07-30 | 哈尔滨工程大学 | 基于属性独立的加权朴素贝叶斯室内定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050246307A1 (en) * | 2004-03-26 | 2005-11-03 | Datamat Systems Research, Inc. | Computerized modeling method and a computer program product employing a hybrid Bayesian decision tree for classification |
-
2019
- 2019-09-26 CN CN201910916618.5A patent/CN110852441B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009136893A1 (en) * | 2008-05-08 | 2009-11-12 | Utc Fire & Security | System and method for video detection of smoke and flame |
CN107169515A (zh) * | 2017-05-10 | 2017-09-15 | 杭州电子科技大学 | 一种基于改进朴素贝叶斯的个人收入分类方法 |
CN110072186A (zh) * | 2019-04-15 | 2019-07-30 | 哈尔滨工程大学 | 基于属性独立的加权朴素贝叶斯室内定位方法 |
CN110059756A (zh) * | 2019-04-23 | 2019-07-26 | 东华大学 | 一种基于多目标优化的多标签分类系统 |
Non-Patent Citations (2)
Title |
---|
Jaafari, A等.A Bayesian modeling of wildfire probability in the Zagros Mountains, Iran.Ecological Informatics.2017,第32-44页. * |
秦锋 ; 任诗流 ; 程泽凯 ; 罗慧 ; .基于属性加权的朴素贝叶斯分类算法.计算机工程与应用.2008,(第06期),第107-109页. * |
Also Published As
Publication number | Publication date |
---|---|
CN110852441A (zh) | 2020-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110852441B (zh) | 一种基于改进朴素贝叶斯算法的火灾预警方法 | |
CN110213244A (zh) | 一种基于时空特征融合的网络入侵检测方法 | |
CN109800875A (zh) | 基于粒子群优化和降噪稀疏编码机的化工故障检测方法 | |
CN112039903B (zh) | 基于深度自编码神经网络模型的网络安全态势评估方法 | |
CN104299115B (zh) | 基于模糊c均值聚类算法的智能变电站二次系统状态分析方法 | |
Ganapathy et al. | A novel weighted fuzzy C–means clustering based on immune genetic algorithm for intrusion detection | |
CN111898839B (zh) | 电力用户的重要程度分类方法及装置 | |
CN112735097A (zh) | 一种区域滑坡预警方法及系统 | |
CN109272259A (zh) | 一种孤独症谱系障碍儿童情绪能力干预系统及方法 | |
Ge et al. | Comparative study on defect prediction algorithms of supervised learning software based on imbalanced classification data sets | |
CN111598179A (zh) | 电力监控系统用户异常行为分析方法、存储介质和设备 | |
CN113935440A (zh) | 一种电压互感器误差状态迭代评估方法及系统 | |
CN110794360A (zh) | 一种基于机器学习预测智能电能表故障的方法及系统 | |
CN109829627A (zh) | 一种基于集成学习方案的电力系统动态安全置信评估方法 | |
CN114580829A (zh) | 基于随机森林算法的用电安全感知方法、设备及介质 | |
CN110020868B (zh) | 基于线上交易特征的反欺诈模块决策融合方法 | |
CN113343123B (zh) | 一种生成对抗多关系图网络的训练方法和检测方法 | |
CN114186639A (zh) | 基于双重加权朴素贝叶斯的电气事故分类方法 | |
CN104537383A (zh) | 一种基于粒子群的海量组织机构数据分类方法及系统 | |
Zhou et al. | Credit card fraud identification based on principal component analysis and improved AdaBoost algorithm | |
CN112418476A (zh) | 一种超短期电力负荷预测方法 | |
CN108846476A (zh) | 一种基于卷积神经网络的智能终端安全等级分类方法 | |
Yang et al. | Event detection, localization, and classification based on semi-supervised learning in power grids | |
Na et al. | Fake data injection attack detection in AMI system using a hybrid method | |
CN116956702A (zh) | 一种用电安全预警方法、介质及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |