小时间序列的动态朴素贝叶斯分类器学习与优化
小时间序列在宏观经济领域普遍存在,对小时间序列的分类预测也有着广泛的需求。由于小时间序列蕴含的信息不充分,有效地提高小时间序列分类预测的可靠性非常困难,目前也缺少这方面的研究。针对这种情况,在基于引入平滑参数的高斯核函数估计属性边缘密度的基础上,建立用于小时间序列分类预测的动态朴素贝叶斯分类器,并给出平滑参数的同步和异步优化方法。实验结果表明,优化能够显著提高小时间序列分类预测的准确性。
贝叶斯网络、分类器、时间序列、高斯核函数、平滑参数
32
TP181(自动化基础理论)
国家自然科学基金项目61272209;上海市自然科学基金项目15ZR1429700
2017-02-13(万方平台首次上网日期,不代表论文的发表时间)
共4页
163-166