Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 3

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: naive Bayes

Sortuj według:

Ogranicz wyniki do:

Fast bearing fault diagnosis of rolling element using Lévy Moth-Flame optimization algorithm and Naive Bayes

Sun Shuang, Przystupa Krzysztof, Wei Ming, Yu Han, Ye Zhiwei, Kochan Orest

Eksploatacja i Niezawodność

2020

Vol. 22, no. 4

730--740

Fault diagnosis is part of the maintenance system, which can reduce maintenance costs, increase productivity, and ensure the reliability of the machine system. In the fault diagnosis system, the analysis and extraction of fault signal characteristics are very important, which directly affects the accuracy of fault diagnosis. In the paper, a fast bearing fault diagnosis method based on the ensemble empirical mode decomposition (EEMD), the moth-flame optimization algorithm based on Lévy flight (LMFO) and the naive Bayes (NB) is proposed, which combines traditional pattern recognition methods meta-heuristic search can overcome the difficulty of selecting classifier parameters while solving small sample classification under reasonable time cost. The article uses a typical rolling bearing system to test the actual performance of the method. Meanwhile, in comparison with the known algorithms and methods was also displayed in detail. The results manifest the efficiency and accuracy of signal sparse representation and fault type classification has been enhanced.

Ocena implementacji algorytmów predykcji w Microsoft SQL Server 2005

Motyka A., Tuzinkiewicz L.

Prace Naukowe Instytutu Informatyki Stosowanej Politechniki Wrocławskiej. Konferencje

2007

307-317

Gromadzenie ogromnych ilości danych w komputerowych bazach danych stało się przyczyną rozwoju metod eksploracji danych (data mining), które mają za zadanie wyszukiwanie w tych zbiorach cennych informacji. Jednym z podstawowych zadań eksploracji danych jest modelowanie predykcyjne (przewidujące). Metody predykcji mają na celu stworzenie modelu, który będzie pozwalał przewidywać wartości interesującej zmiennej na podstawie innych zmiennych, których wartości są znane. W zależności od typu przewidy-wanej zmiennej wyróżniamy w modelowaniu przewidującym zadania klasyfikacji i regresji. O klasyfikacji mówimy wtedy, gdy przewidywana zmienna jest typu kategorycznego. W przypadku zmiennej rzeczywistej zadanie eksploracji danych nazywamy regresją. Obecnie większość producentów komercyjnych systemów zarządzania bazami danych dołącza do swoich produktów moduły służce do eksploracji danych. Zawierają one implementacje różnych metod klasyfikacji i regresji. Celein tego artykułu jest ocena implementacji tych metod w Microsoft Analysis Services -module analizy danych, który jest składnikiem popularnej platformy SQL Server 2005.

Gathering large amounts of data in computer databases has become o reason of development data mining methods. They are used to find in these huge datasets valuable informations. One of the basic task of data mining is prediction modeling. The goal of prediction methods is to make a model, which can be used to predict a value of inteeresting variable on the basis of another variables, which values are known. Depending on character of predicting variable we distiguish in predict modeling classification and regression tasks. If pridicting variable is categorical we talk about classification. If it is real we talk about regression. Currently most of producers of commercial database management systems enclose to their products modules for data mining. They include implementations of various classification and regression methods. The goal of this article is an assesment of implementation of these methods in Microsoft Analysis Services - a module for data analysis, which is a component of popular SQL Server 2005 platform.

On Naive Bayes in Speech Recognition

Toth L., Kocsor A., Csirik J.

International Journal of Applied Mathematics and Computer Science

2005

Vol. 15, no 2

287-294

The currently dominant speech recognition technology, hidden Markov modeling, has long been criticized for its simplistic assumptions about speech, and especially for the naive Bayes combination rule inherent in it. Many sophisticated alternative models have been suggested over the last decade. These, however, have demonstrated only modest improvements and brought no paradigm shift in technology. The goal of this paper is to examine why HMM performs so well in spite of its incorrect bias due to the naive Bayes assumption. To do this we create an algorithmic framework that allows us to experiment with alternative combination schemes and helps us understand the factors that influence recognition performance. From the findings we argue that the bias peculiar to the naive Bayes rule is not really detrimental to phoneme classification performance. Furthermore, it ensures consistent behavior in outlier modeling, allowing efficient management of insertion and deletion errors.