版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認(rèn)領(lǐng)
文檔簡介
1、分類器是自動識別、預(yù)測與診斷系統(tǒng)等智能技術(shù)應(yīng)用研究的基礎(chǔ),是數(shù)據(jù)挖掘和機器學(xué)習(xí)領(lǐng)域的一個主要研究對象.在眾多分類模型中,貝葉斯網(wǎng)絡(luò)分類器得到了多年的持續(xù)研究,綜合性能不斷提高.近年來,為了進一步提高其分類精度,一些研究人員開始研究其與貝葉斯網(wǎng)絡(luò)學(xué)習(xí)算法的差異性.因為優(yōu)化貝葉斯網(wǎng)絡(luò)分類器的目的是提高分類器的精度與效率,而優(yōu)化貝葉斯網(wǎng)絡(luò)的目的是提高描述數(shù)據(jù)變量分布的能力,所以兩者在有些方面存在很大的不同.一般來講,學(xué)習(xí)算法的設(shè)計可以采用生成
2、式策略或鑒別式策略.由于鑒別式策略采用的評價標(biāo)準(zhǔn)能夠直接衡量分類器的精度,且能夠?qū)εc實際數(shù)據(jù)變量分布有一定差異的網(wǎng)絡(luò)結(jié)構(gòu)進行調(diào)整,所以更適合應(yīng)用于設(shè)計分類器學(xué)習(xí)算法.但是,鑒別式訓(xùn)練策略的優(yōu)化目標(biāo)函數(shù)缺乏良好的數(shù)學(xué)性質(zhì)、學(xué)習(xí)的復(fù)雜度較高,所以需要結(jié)合其特點研究分類模型的設(shè)計,提高分類器的精度,減少訓(xùn)練的時間;需要分析新模型對環(huán)境和數(shù)據(jù)質(zhì)量的依賴程度,研究其實際應(yīng)用的價值.本文圍繞一些實際問題深入研究了樹型貝葉斯網(wǎng)絡(luò)分類器(Tree-St
3、ructured Bayesian Network Classifier,TBNC),主要貢獻(xiàn)如下:
(1)研究得出鑒別式參數(shù)學(xué)習(xí)算法不適合在具有冗余邊的樹型貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)上訓(xùn)練參數(shù).首先,對貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)與數(shù)據(jù)中變量的真實分布之間的關(guān)系進行了定量描述,將比真實分布復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)定義為存在冗余邊的網(wǎng)絡(luò)結(jié)構(gòu);然后,用實驗驗證了冗余邊存在的普遍性及其消極影響,說明了研究樹型貝葉斯網(wǎng)絡(luò)分類器分類器的價值;最后,基于對數(shù)條件似然函數(shù)偏
4、導(dǎo)數(shù)的性質(zhì)提出了一種消除網(wǎng)絡(luò)結(jié)構(gòu)中冗余邊的RSD(Reducing Structure by Derivatives,RSD)算法,對網(wǎng)絡(luò)結(jié)構(gòu)進行優(yōu)化,并用實驗驗證了該算法能夠有效提高鑒別式參數(shù)學(xué)習(xí)算法在樹型貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)上訓(xùn)練得到的分類器的分類精度。
(2)研究得出有相同結(jié)構(gòu)底圖的樹型貝葉斯網(wǎng)絡(luò)分類器等價.首先,分析了樹型貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)空間及其等價類,描述了具有相同底圖的樹型貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的等價關(guān)系和屬性變量子網(wǎng)中邊的方向無
5、關(guān)性;然后,提出了一種樹型貝葉斯網(wǎng)絡(luò)分類器學(xué)習(xí)框架LFWAR(A Learning Framework of TBNC Without ConsideringArc Reversal,LFWAR),實驗驗證了LFWAR得到的分類器的精度和穩(wěn)定性在統(tǒng)計意義上無顯著差異;最后,在場景分類問題的基準(zhǔn)圖像數(shù)據(jù)庫上實驗驗證了應(yīng)用屬性變量子網(wǎng)中邊的方向無關(guān)性設(shè)計的算法能夠在不降低分類精度的前提下,減少分類引擎的訓(xùn)練時間。
(3)研究得出樹
6、型貝葉斯網(wǎng)絡(luò)分類器結(jié)構(gòu)訓(xùn)練過程在多源非獨立同分布數(shù)據(jù)上是健壯的.利用菲謝爾p值組合方法設(shè)計了一種應(yīng)用于多源非獨立同分布數(shù)據(jù)的分類器學(xué)習(xí)算法,來分析非獨立同分布數(shù)據(jù)對樹型貝葉斯網(wǎng)絡(luò)分類器結(jié)構(gòu)訓(xùn)練的影響.盡管在機器學(xué)習(xí)領(lǐng)域的研究成果表明貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練會受到非獨立同分布數(shù)據(jù)的較強影響,菲謝爾p值組合方法能夠有效降低這種影響,但這種方法難以有效提高樹型貝葉斯網(wǎng)絡(luò)分類器的性能,因而表明在非獨立同分布數(shù)據(jù)上的樹型貝葉斯網(wǎng)絡(luò)分類器結(jié)構(gòu)訓(xùn)練過程是健
7、壯的。
(4)研究得出樹型貝葉斯網(wǎng)絡(luò)分類器鑒別式參數(shù)訓(xùn)練過程對噪聲數(shù)據(jù)是敏感的,需要相應(yīng)降噪策略.首先,將僅適用于二類值分類問題的集成貝葉斯網(wǎng)絡(luò)參數(shù)學(xué)習(xí)擴展到適用于多類值分類問題的集成參數(shù)學(xué)習(xí);然后,應(yīng)用一種控制樣本權(quán)重的方法抑制噪聲數(shù)據(jù)的影響,且對多類值分類問題,提出了一種適用于處理不平衡數(shù)據(jù)樣本的類別置信度量函數(shù)和降噪算法SmoothedBNB(SmoothedBayesian Network Boosted Classi
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 貝葉斯網(wǎng)絡(luò)分類器與應(yīng)用.pdf
- 多維貝葉斯網(wǎng)絡(luò)分類器學(xué)習(xí)算法.pdf
- 限制性貝葉斯網(wǎng)絡(luò)分類器研究.pdf
- 貝葉斯網(wǎng)絡(luò)研究.pdf
- 貝葉斯網(wǎng)絡(luò)
- 基于貝葉斯網(wǎng)絡(luò)的多維數(shù)據(jù)分類研究.pdf
- 樸素貝葉斯與決策樹混合分類方法的研究.pdf
- 基于貝葉斯網(wǎng)絡(luò)分類器的商業(yè)銀行客戶分類模型研究.pdf
- 基于智能優(yōu)化的貝葉斯網(wǎng)絡(luò)分類模型研究.pdf
- 貝葉斯網(wǎng)絡(luò)簡介
- 貝葉斯網(wǎng)絡(luò)matlab
- 基于貝葉斯理論的網(wǎng)絡(luò)流量分類研究.pdf
- 支持向量機分類器及其貝葉斯框架研究.pdf
- 貝葉斯網(wǎng)絡(luò)分類器學(xué)習(xí)及其在信用評分中的應(yīng)用.pdf
- 多組圖貝葉斯分類模型研究.pdf
- 基于貝葉斯網(wǎng)絡(luò)的多類標(biāo)分類算法研究.pdf
- 基于貝葉斯理論的網(wǎng)絡(luò)輿情主題分類模型研究.pdf
- 基于顯現(xiàn)模式的懶惰式貝葉斯分類方法.pdf
- 32062.基于貝葉斯網(wǎng)絡(luò)的多維分類問題研究
- 增量式貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)研究.pdf
評論
0/150
提交評論