专利名称：一种基于Fisher判别分析的贝叶斯分类方法
技术领域：
本发明涉及模式识别及机器智能技术领域，具体地说是一种基于Fisher判别分析的贝叶斯分类方法。
背景技术：
分类是机器学习，模式识别和人工智能等相关领域广泛研究的问题。近年来，随着相关领域中新技术的不断涌现，分类方法也得到了新的发展。针对不同的分类问题，分类方法多种多样，如决策树分类、支持向量机分类、神经网络分类。在众多的分类方法中，贝叶斯分类器受到了极大地重视。贝叶斯分类器是基于最大后验概率准则的，即利用某对象的先验概率计算其后验概率，并选择具有最大后验概率的类作为该对象所属的类。在贝叶斯模型中，模型分别模拟每一个类的类条件联合概率分布，然后应用贝叶斯定理构建后验概率分类器。但是贝叶斯分类器具有较强的限定，要求属性之间是条件独立的，并且分类器本身也缺乏对训练样本集数据信息的充分利用。在分类器构建过程中并未有效利用类与类之间的信息，而这种信息正是分类所需要的。本文在认真分析了贝叶斯模型结构特点以及构造分类器方法的基础上，结合Fisher线性判别分析,给出了一种基于Fisher线性判别分析的贝叶斯分类器。)经典的贝叶斯分类器
在连续情况下，设观察值1是4维特征向量
权利要求
1.一种基于Fisher判别分析的贝叶斯分类方法，其特征在于利用变换矩阵，对原始训练样本进行变换，投影到新的样本空间，分类器在投影后的新的样本空间进行学习分类，原样本属性集中，任意两个属性间可能存在一定的依赖关系，投影后在新样本空间，新样本的属性假定为相互独立，通过变换可把维数较高的测量空间中表示的模式变为在维数较低的特征空间中表示的模式，这样能有效地实现分类识别，从而得到较能反映分类本质的特征，通过实验对分类效果进行了分析和比较，获得对各个类别训练样本集分布的一种参数化的近似表达，具体分类步骤如下: 1)将原始数据进行归一化处理； 2)依据公式(4)
全文摘要
本发明提供一种基于Fisher判别分析的贝叶斯分类方法，利用变换矩阵,对原始训练样本进行变换，投影到新的样本空间，分类器在投影后的新的样本空间进行学习分类，原样本属性集中，任意两个属性间可能存在一定的依赖关系,投影后在新样本空间,新样本的属性假定为相互独立，通过变换可把维数较高的测量空间中表示的模式变为在维数较低的特征空间中表示的模式，这样能有效地实现分类识别，从而得到较能反映分类本质的特征，通过实验对分类效果进行了分析和比较,获得对各个类别训练样本集分布的一种参数化的近似表达。
文档编号G06K9/62GK103077405SQ20131001795
公开日2013年5月1日 申请日期2013年1月18日 优先权日2013年1月18日
发明者曹玲玲 申请人:浪潮电子信息产业股份有限公司