已有的聚类集算法基本上都是非监督聚类集成算法,这样不能利用已知信息,使得聚类集成的准确性、鲁棒性和稳定性降低.把半监督学习和聚类集成结合起来,设计半监督聚类集成模型来克服这些缺点.主要工作包括:第一,设计了基于贝叶斯网络的半监督聚类集成(semi-supervised cluster ensemble,简称SCE)模型,并对模型用变分法进行了推理求解;第二,在此基础上,给出了EM(expectation maximization)框架下的具体算法;第三,从UCI(University of Ca

对五种典型的贝叶斯网分类器进行了分析与比较。在总结各种分类器的基础上，对它们进行了实验比较，讨论了各自的特点，提出了一种针对不同应用对象挑选贝叶斯网分类器的方法。 -Of five kinds of typical bayesian network classifiers are analyzed and compared. On the basis of summarizing the various classifiers, experiments have been carried out

本实验基于贝叶斯分类器对采集的微博数据进行情感分析，从中提取出不同的情感类别。-In this study, Bayesian classifier based on the micro-blog sentiment analysis data were collected, extracted from different emotional categories.

一种基于贝叶斯框架的线性分类。使用神经生理学信息和实验信息构建协方差矩阵。-A linear classification based on Bayesian framework. Covariance matrix is ​ ​ constructed using information and experimental neurophysiology information.