面向装备作战仿真数据流的改进型贝叶斯分类方法研究

J4 ›› 2013, Vol. 35 ›› Issue (12): 167-172.

面向装备作战仿真数据流的改进型贝叶斯分类方法研究

曹波伟，薛青，汤再江

（装甲兵工程学院仿真中心，北京100072）

收稿日期:2012-03-13 修回日期:2012-07-14 出版日期:2013-12-25 发布日期:2013-12-25

Study of improved Bayesian classification method
for data stream of equipment combat simulation

CAO Bowei,XUE Qing,TANG Zaijiang

(Simulation Center,Academy of Armored Force Engineering,Beijing 100072,China)

Received:2012-03-13 Revised:2012-07-14 Online:2013-12-25 Published:2013-12-25

摘要/Abstract

摘要：

针对装备作战仿真数据流的无限流入和概念漂移现象影响分类模型准确度的问题，提出了一种基于权值窗口的增量学习型朴素贝叶斯分类算法。该算法通过在装备作战仿真数据流上建立权值窗口，以充分利用历史时间数据的后验信息学习新分类模型，目标是降低装备作战仿真数据流的无限流入和概念漂移现象对其分类模型准确度的影响，提高朴实贝叶斯分类模型的准确度。数值实验说明了该算法的有效性，并且其在分类性能、分类准确率、分类速度上优于同类算法。

关键词: 装备作战仿真, 数据流分类, 概念漂移, 贝叶斯

Abstract:

According to the problem of the endless flowing of data stream of Combat simulation and the affections of concept phenomenon on its classification model accuracy, an incremental learning simple Bayesian classification algorithm based on Weight window is proposed. The algorithm build a weight window on the data stream of equipment combat simulation in order to learn a new classification model with taking full advantage of the historical time data. The goal is to reduce the unlimited inflows of data stream of equipment combat simulation and mitigate the impact of the concept drift on the accuracy of the classification model, thus improving the accuracy of the simple Bayesian classifier model. Numerical experiments also prove that the algorithm is effective and outperforms other similar algorithm counterparts in terms of classification performance, classification accuracy rate and classification.

Key words: equipment combat simulation;data stream classification;concept drift;Bayesian

曹波伟，薛青，汤再江. 面向装备作战仿真数据流的改进型贝叶斯分类方法研究[J]. J4, 2013, 35(12): 167-172.

CAO Bowei,XUE Qing,TANG Zaijiang. Study of improved Bayesian classification method
for data stream of equipment combat simulation [J]. J4, 2013, 35(12): 167-172.

参考文献

［1］Chang J, Lee W S. EstWin:Adaptively monitoring therecent change of frequent itemsets over online data streams［C］∥Proc of the 12th International Conference on Information and Knowledge Management, 2003:536 539.
［2］Jü Rusheng, Qiao Haiquan, Huang Kedi. Test and evaluation of HLA simulation system based on data mining［J］. System Engineering and Electronics, 2006, 28(10):15991602.(in Chinese)
［3］Bachinsky S,Tarbox G,Powell E.Data collection in an HLA environment［R］. 97SSIW059, 1997.
［4］Wang Lei, Liu Xichun, Xu Chuanfu, et al. Bayesian networks based analysis method for weapon opeation effectiveness simulation output［J］. Journal of System Simulation, 2008, 20(23):65196523.(in Chinese)
［5］Wang Jingye, Ma Yalong, Xu Xiangzhong, et al. Application of simulation technology to army development and battle［J］. Journal of System Simulation, 2001,13(1):1013.(in Chinese)
［6］Ni Zhiwei, Jiang Miao, Wang Chao, et al. Online mining closed frequent itemsets in mixed windows over data streams［J］. Journal of System Simulation,2010,22(9):21102112.(in Chinese)
［7］Jiang Maosheng, Wang Hao, Yao Hongliang. Studies on incremental learning sequence algorithm of Nave Bayesian classifier［J］.Computer Engineering and Applications, 2004,40(14):5759.(in Chinese)
［8］McSherry D.Strategic induction of decision trees［J］.KnowledgeBased Systems,1999,12(56):269275.
［9］Tang Zhiwu. Research on data mining methods for weapon operation simulation［D］. Academy of Armored Force Engineering, 2009.(in Chinese)附中文参考文献：
［2］鞠儒生, 乔海泉, 黄柯棣. 基于数据挖掘的HLA仿真系统测试与评估［J］. 系统工程与电子技术, 2006, 28(10):15991602.
［4］王磊, 刘喜春, 徐传福, 等. 基于贝叶斯网络的装备作战效能仿真结果分析方法［J］. 系统仿真学报, 2008, 20(23):65196523.
［5］王精业, 马亚龙, 徐享忠，等. 仿真技术在军队建设和作战中的应用［J］. 系统仿真学报, 2001,13(1):1013.
［6］倪志伟，姜苗，王超,等. 在线挖掘数据流混合窗口中闭频繁项集［J］. 系统仿真学报, 2010,22(9):21102112.
［7］姜卯生，王浩，姚宏亮.朴素贝叶斯分类器增量学习序列算法研究［J］.计算机工程与应用，2004,40(14):5759.
［9］唐志武.装备作战仿真数据挖掘方法研究［D］.北京：装甲兵工程学院, 2009.

[1]	钟寒, 徐艺嘉, 鹿浩, 孙旌睿. 基于模糊贝叶斯决策的核心概念抽取方法[J]. 计算机工程与科学, 2022, 44(09): 1686-1692.
[2]	张喜龙, 韩萌, 陈志强, 武红鑫, 李慕航. 基于Hellinger距离的不平衡漂移数据流Boosting分类算法[J]. 计算机工程与科学, 2022, 44(05): 788-799.
[3]	郭文强, 寇馨, 李梦然, 侯勇严, 肖秦琨. 小数据集情况下基于变权重融合的BN参数学习算法[J]. 计算机工程与科学, 2022, 44(05): 916-923.
[4]	李文丽. 基于朴素贝叶斯分类的网络谣言识别研究[J]. 计算机工程与科学, 2022, 44(03): 495-501.
[5]	黄浩淼, 张江, 张晶, 保峻嵘. 融合TLD框架的DSST实时目标跟踪改进算法[J]. 计算机工程与科学, 2020, 42(09): 1587-1598.
[6]	朱世松，巴梦龙，王辉，申自浩. 基于NBSR模型的入侵检测技术[J]. 计算机工程与科学, 2020, 42(03): 427-433.
[7]	蒋亚芳, 严馨, 徐广义, 周枫, 邓忠莹, . 融合多信息句子图模型的多文档摘要抽取[J]. 计算机工程与科学, 2020, 42(03): 535-542.
[8]	张馨予, 安建成, 曹锐. 基于自适应随机森林的数据流分类算法[J]. 计算机工程与科学, 2020, 42(03): 543-549.
[9]	袁泉1,2,郭江帆1,赵学华1. 一种基于集成的不均衡数据流分类算法[J]. 计算机工程与科学, 2019, 41(08): 1519-1524.
[10]	孙子文，李富，庞永春. 最小风险贝叶斯决策融合的多点触摸身份认证[J]. 计算机工程与科学, 2018, 40(09): 1579-1584.
[11]	马刚，刘锋，朱二周. 一种基于改进的朴素贝叶斯算法的Android钓鱼网站检测方案[J]. 计算机工程与科学, 2018, 40(08): 1420-1428.
[12]	南敬昌，胡婷婷，盛爽爽，高明明. Doherty功放的贝叶斯正则化神经网络逆向建模研究[J]. 计算机工程与科学, 2018, 40(08): 1496-1502.
[13]	陈沅涛1,2，刘煊赫1,2. 混合空间新型贝叶斯网络模型的图像分割应用研究[J]. 计算机工程与科学, 2017, 39(11): 2066-2073.
[14]	伍杰华1,2,沈静1,周蓓1. 改进朴素贝叶斯模型的复杂网络关系预测[J]. 计算机工程与科学, 2017, 39(10): 1825-1831.
[15]	艾阳阳，罗莉，杨庆娜，张恒浩，夏婷婷. 一种基于贝叶斯网络的随机测试方法在Cache一致性验证中的设计与实现[J]. 计算机工程与科学, 2017, 39(08): 1397-1402.