摘要:无预测不决策,预测的目的是从历史数据中推导对于给定数据的更进一步描述,从而对未来的数据做出预测和判定。笔者根据自己所参与的军事实践,收集此次研究所需要的数据,结合待判定样本的相关参数,运用朴素贝叶斯算法进行量化分析计算,进而形成有关决策主题的明确结论。本论文主要是设计一个基于朴素贝叶斯算法的模型,通过对某军事基地的数年导弹数据进行仿真模拟,对影响导弹发射成败的相关因素进行汇总并进行量化分析,得出依据从而通过下一个导弹的相关参数来判断其成败与否。结论的形成,对正确预测和判断重大项目的实验成败具有一定的借鉴意义。 24584 毕业论文关键词:朴素贝叶斯;洲际导弹;发射成败; 预测分析
A Forecasting Analysis of the Success or Failure of Intercontinental Missile Launch Based on the Naive Bayesian Algorithm
Abstract: No forecasting no decision. The purpose of forecast is to deduce the further
description for a given data derived from historical data so as to forecast the future. The dada of
this research is collected in the military practice the author participated. According to the related
parameters in the sample, the author uses the Naive Bayesian algorithm for quantitative analysis
and calculation, and then forms a clear conclusion about decision-making subject. The main
content of this thesis is to design a model based on Naive Bayesian algorithm. By missile data
analogue simulation in certain Military Base, the author summarizes and analyzes the factors
related to the success of the missile launch, so as to forecast whether the next missile will be
success or not. The formation of conclusion has great reference significance to the forcast and
judgment of the success or failure of important projects.
Keywords: Naive Bayes; Intercontinental Missile;The Success or Failure; Forecast
目 录
一、概论 .. 1
(一)研究的目的与意义.. 1
(二)研究的背景.. 1
(三)研究过程 3
1、设计过程. 3
2、总体思路. 4
二、文献综述 5
(一)总述.. 5
(二)相关研究成果. 5
(三)总结.. 7
三、研究方法与研究设计 . 8
(一) 研究方法 .. 8
1、基于贝叶斯算法的推理. 8
2、分类的过程 8
(二)研究设计 8
1、朴素贝叶斯分类算法.. 8
2、贝叶斯公式 9
四、研究过程与研究结果 .. 10
(一)朴素贝叶斯分类器模型的设计. 10
1、朴素贝叶斯分类.. 10
2、朴素贝叶斯特点.. 12
(二)从概率模型中构造分类器 12
(三)导弹数据的处理. 12
1.成败分类.. 12
2.数据模型.. 12
(四)本章小结. 16
五、研究结论与启示 . 17
(一)结论与建议 17
1、结论. 17
2、建议. 17
(二)后续工作展望.. 17
致 谢 19 参考文献 20
一、概论
(一)研究的目的与意义
近几年来,随着数据爆炸时代的到来,各种各样的数据充斥着我们的生活空间。如何
高效地将这些大量的问题以及相应知识点的数据进行整理、分类汇总、智能分析、解决数
据杂乱的问题以及如何通过分类的问题更准确的进行反馈,显然是提高运作效率、提高决
策准确性的重中之重。数据挖掘的定义是从模糊随机的大量实际应用数据中,进行内在规
律的查找,找出其隐藏的客观规律(Jiawei Han and Michelin Kamber,2001) 。数据挖
掘广泛应用于各种领域,比如电力系统的电力负荷预测、证券分析、网络入侵、网络信息