【技术实现步骤摘要】
本专利技术涉及模式识别及机器智能
，具体地说是。
技术介绍
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
【技术保护点】
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）?????????????????????????????????????????????????????计算类均值向量；3）依据公式（5）??计算总体均值向量；?4）依据公式97):??计算类内散布矩阵；5）依据公式(8)=???计算类间散布矩阵；6）依据公式(11)????计算变换矩阵；7）利用公式(12)?将原样本集向投影，得到新的样本集；8）对新样本集按照公式(3)?进行学习分类其中如果使，对一切成立，则将归于类，在这种情况下的贝叶斯分类...
【技术特征摘要】
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...
【专利技术属性】
技术研发人员：曹玲玲，
申请(专利权)人：浪潮电子信息产业股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。