对于numeric类型的数据，基本贝叶斯分类算法并不能直接应用。对于需要分类的数据，首先按照信息熵进行离散化后。之后对于处理过后的数据，使用基本贝叶斯分类算法进行训练和分类。

英国学者托马斯·贝叶斯在《论有关机遇问题的求解》中提出一种归纳推理的理论，后被一些统计学者发展为一种系统的统计推断方法，称为贝叶斯方法。采用这种方法作统计推断所得的全部结果，构成贝叶斯统计的内容。认为贝叶斯方法是唯一合理的统计推断方法的统计学者，组成数理统计学中的贝叶斯学派，其形成可追溯到 20世纪 30 年代。到50～60年代，已发展为一个有影响的学派。时至今日，其影响日益扩大。

提出了一种应用快速傅里叶变换算法提高哈特曼夏克波前传感器波前重构实时性的快速算法。在根据波前斜率值应用最小二乘法估计波前相位的过程中,应用快速傅里叶变换算法进行方程的对角化和相位值的解耦,算法精度高、稳定。空间分辨率越高,算法实时性的优越性就越显著。

(2)阵元数及信号源数对分辩力的影响 ①信噪比SNR=40dB，均匀线阵，阵元间距为0．05m，3个一维信号入射角 分别为30。、400、500，改变阵元数的情况。 图3．5阵元数M=6对应的空间谱 图3．6阵元数M=5对应的空间谱 图3．7阵元数M=4对应的空间谱 图3．8阵元数M-3对应的空间谱 ②信噪比SNR=40dB，均匀线阵，阵元数M=6，阵元间距为0．05m，信号为 一维信号，改变信号源数的情况。

OpenCV傅里叶变换及逆变换实现代码，机器视觉使用

运用matlab对Frft进行编程，给出了离散的源代码。

简单明了的贝叶斯网络介绍，如果你是想认真学习，有贝叶斯基础的，都可以阅读。书中从简单的概率论到各种实际应用，都是不错的讲解，有兴趣的可以下载阅读。

用于机器学习分类的数据集，食品安全新闻数据（.txt格式）

快速傅里叶变换C++代码

针对贝叶斯网络结构学习方法难以兼顾高准确率和高效率的问题，提出了一种基于Markov Chain Monte Carlo(MCMC)方法的贝叶斯网络结构学习方法的改进。改进包括：使用依赖关系分析，利用统计学的方法对采样空间进行大幅缩减，能够在精确控制准确度的情况下大幅提高时间效率；结合先验知识，从理论角度将先验知识融入评分中得到完全服从后验分布的结果；搜索最优子结构，对于特定的一些结构搜索最优子结构而不是采用贪心的方法，提高了贝叶斯网络结构学习的准确率。通过理论分析可以证明时间复杂度得到了大幅的降低。并且可以在牺牲可预知的准确率的情况下，将指数时间复杂度降为线性时间。大量的数据实验表明，经改进后的方法在时间和准确性上都具有良好的表现。