基于ICA的多维贝叶斯分类器-论文.pdf

《基于ICA的多维贝叶斯分类器-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、a叶技2014年第27卷第2期ElectronicSci．&Tech．／Feb．15．2014基于ICA的多维贝叶斯分类器唐兴佳，张秀方(西安电子科技大学理学院，陕西西安710071)摘要多维贝叶斯分类器是处理多维分类问题的概率图形模型，其中属性变量可决定一个或多个类变量。文中针对属性变量维数较高和信息冗余问题，采用FastICA算法对属性变量进行降维，从而将高维属性变量约减为能较完整描述数据信息的低维属性变量。然后根据约减后的属性变量构建多维贝叶斯分类器；最终，通过理论分析得到基于ICA的多维贝叶斯分类器的性能较好。实验结果表明，对3组基准数据集的分类，基于

2、ICA的多维贝叶斯分类器相比于其他算法具有较高的分类准确率。关键词贝叶斯网络；多维贝叶斯分类器；独立成分分析；互信息中图分类号029文献标识码A文章编号1007—7820(2014)02—025—04Multi．dimensionalBayesianNetworkClassifiersBasedonICATANGXingjia，ZHANGXiufang(SchoolofScience，XidianUniversity，Xi’an710071，China)AbstractMulti—dimensionalBayesiannetworkclassifiers(MB

3、Cs)areprobabilisticgraphicalmodelsproposedtodealwithmulti-dimensionalclassificationproblems，whereeachfeaturevariabledeterminesoneormorethanoneclassvariable．Fortheproblemofhighdimensionaloffeatureattributesandinformationredundancy，theIndepend-entComponentAnalysis(ICA)isappliedtodecre

4、asethedimensionoffeaturevariablewhichcouldcompletelyde—scribedata．Then，weconstructamulti．dimensionalBayesiannetworkclassifieraccordingtothedecreaseddata．Finally，theperformanceoftheMBCsisprovedgoodbytheoreticalanalysis．Theexperimentresultsshowthatforthreebenchmarkmulti—dimensionaldat

5、asets，themuhi—dimensionalBayesiannetworkclassifierbasedonICAoutper-formsotheralgorithmsinaccuracy．Keywordsbayesiannetwork；multi-dimensionalbayesiannetworkclassifiers；independentcomponentanaly—sis；mutualinformation贝叶斯分类模型在近年的研究中取得较大发展，较少的分类问题有效。另一种方法是通过为每个类变但多数工作均集中在一维贝叶斯分类模型上，即仅含量建立

6、一个独立的传统分类器，从而将多维分类问题有一个类变量。一维贝叶斯分类器的优点是计算复杂分解成多个一维分类问题，该方法的主要优点是可直度低、易于训练和理解，但其无法满足同时对多个类变接利用现有的分类技术，缺点是通常不能捕获类变量量进行分类。多维分类是一维分类的扩展，其中数据与类变量之间的关系，因此会影响分类的全面性，且计集中的每个属性可能决定一个或多个类变量。该模型算复杂度较高。已在多个领域得到广泛应用，如医疗诊断、文本分类、针对上述问题，本文首先利用独立分量分析故障检修等。(ICA)对高维属性样本数据进行降维处理，去除属对于利用贝叶斯网络处理多维分类问题，前人

7、主性变量间的冗余关系。然后利用标准的贝叶斯结构学要提出了两种解决方法：一种是通过定义一个可能习方法训练出多维贝叶斯分类模型。最终根据后验概取值为原来所有类变量取值组合而得到的新的混合类率最大进行分类判别，并统计分类精度。变量，这样便将多维问题转变成一个类变量的情况。1多维贝叶斯分类器由于这种方法得到的新的类变量会有较多可能的取贝叶斯网络(BN)-5]是一个二元组，即BN=(G，值，会影响分类指标的实际意义，因此只对类变量个数P)，G=(，E)为有向无环图(DirectedAcyclicGraph，DAG)，其中为节点集，与领域的随机变量一一对应，收稿日期：20

8、13—08-19作者简介：唐兴佳(19