基于增量式樸素貝葉斯分類方法的電梯交通模式識別方法的研究.pdf

1、在電梯群控系統(tǒng)中，能否有效的分析和處理電梯交通流數(shù)據(jù)是影響電梯群控系統(tǒng)性能的一個重要因素。因此對建筑物內部的交通狀況進行準確分類，在不同的交通狀況下采用不同的電梯群控策略，可以有效地提高電梯的服務質量和各項性能指標。目前最主要的是采用模糊神經網絡來進行電梯交通模式識別，但是該方法由于算法訓練耗時大、網絡結構具有不可確定性、而且對訓練數(shù)據(jù)的依賴性較大、泛化能力差，使得電梯交通模式識別的準確率不高。樸素貝葉斯因其條件屬性和決策類別間關系清晰

2、、分類速度快，并且具有良好的健壯性，已被成功應用到許多領域。當獲得大量帶有類別標注的樣本代價較高時，與增量學習理論結合是解決問題的有效途徑。因此，如何實現(xiàn)樸素貝葉斯分類與增量學習算法相結合應用于電梯交通模式識別是一個值得研究和解決的課題。
　　 論文主要包括以下工作內容：
　　 ①在分析貝葉斯網絡結構，特點和應用的基礎上建立了一個樸素貝葉斯分類器模型。
　　 ②針對傳統(tǒng)的增量算法重點介紹了一種新的增量序列學習算法

3、，該算法引入一個分類損失權重系數(shù)λ，用于計算分類損失的大小，引入該系數(shù)的作用在于：充分利用先驗知識對分類器進行優(yōu)化；通過選擇合理的學習序列強化了較完備數(shù)據(jù)對分類的積極影響，從而可以提高分類精度。
　　 ③將樸素貝葉斯分類器模型與改進后的增量序列學習算法相結合從而建立了一個基于增量式樸素貝葉斯分類模型。最后，在認真分析了電梯交通流的特點和規(guī)律的基礎上將該模型運用于電梯交通的模式識別中，通過對電梯交通流數(shù)據(jù)進行采集分析和特征的提取，

4、利用MATLAB進行了模擬測試，并對實驗結果進行了比較分析，測試結果表明該方法對電梯交通模式識別的準確率為92.3％，相比于模糊神經網絡的識別準確率90.6％有所提高，因此其分類性能更加令人滿意。
　　 通過定義并建立一種基于樸素貝葉斯分類器和增量序列學習算法相結合的分類模型，為實現(xiàn)電梯交通模式識別提供了一種有效的解決辦法。由于辦公大樓的客流規(guī)律比較明顯，因此課題只是針對一般性的辦公大樓的電梯交通流進行的研究，而對于像商場，普通