【摘要】：隨著科學(xué)技術(shù)的飛速發(fā)展和大規(guī)模高維數(shù)據(jù)的涌現(xiàn),模式分類在越來越多的領(lǐng)域得到廣泛的重視和應(yīng)用。在國內(nèi)外最新研究成果的基礎(chǔ)上,本文著重從多類分類和一類分類兩個(gè)方面展開研究。1.本文第二章介紹了現(xiàn)有的多類分類器和一類分類器。1)多類分類器方面,依次介紹了貝葉斯分類器、互信息準(zhǔn)則、互信息與貝葉斯錯(cuò)誤率之間的關(guān)系,并由此引出基于互信息準(zhǔn)則的信息判別分析(IDA)和其它相關(guān)的多類分類器;2)一類分類器方面,介紹了支持向量域描述(SVDD)和一類支持向量機(jī)(一類SVM)兩種一類分類器。最后介紹了幾種公認(rèn)的分類器性能評(píng)價(jià)指標(biāo)。2.針對(duì)IDA中存在的高維估計(jì)誤差問題,本文第三章提出了基于線性統(tǒng)計(jì)模型和互信息準(zhǔn)則的多類分類器。該分類器采用線性統(tǒng)計(jì)模型描述觀測(cè)數(shù)據(jù)的子空間統(tǒng)計(jì)結(jié)構(gòu),利用互信息準(zhǔn)則對(duì)子空間可分性進(jìn)行約束,通過聯(lián)合優(yōu)化對(duì)數(shù)似然函數(shù)和互信息函數(shù),求取最優(yōu)變換矩陣和噪聲方差。該分類器可以直接求取最優(yōu)變換矩陣,在使得子空間強(qiáng)可分性的同時(shí),也能盡可能準(zhǔn)確的描述觀測(cè)數(shù)據(jù)�；谌斯ず铣蓴�(shù)據(jù)、加州大學(xué)歐文分校(UCI)公共數(shù)據(jù)和雷達(dá)實(shí)測(cè)數(shù)據(jù)的仿真實(shí)驗(yàn)共同驗(yàn)證了該分類器良好的分類性能和魯棒性。3.針對(duì)現(xiàn)有一類分類器中普遍存在的模型選擇問題,本文第四章提出了無限貝葉斯一類SVM分類器。首先利用歸一化函數(shù)對(duì)現(xiàn)有的一類SVM進(jìn)行改進(jìn),然后借助數(shù)據(jù)增強(qiáng)技術(shù)將改進(jìn)的一類SVM用概率模型進(jìn)行表達(dá),得到貝葉斯一類SVM分類器,最后利用Dirichlet過程(DP)無限混合專家模型對(duì)貝葉斯一類SVM進(jìn)行擴(kuò)展,得到無限貝葉斯一類SVM分類器。該分類器不需要人工干預(yù)設(shè)置參數(shù),能夠自動(dòng)適應(yīng)數(shù)據(jù)的變化,自動(dòng)學(xué)習(xí)模型參數(shù)實(shí)現(xiàn)模型選擇。人工合成數(shù)據(jù)、UCI公共數(shù)據(jù)和雷達(dá)實(shí)測(cè)數(shù)據(jù)證明了該分類器具有良好的一類分類性能。
[Abstract]:With the rapid development of science and technology and the emergence of large-scale high-dimensional data, pattern classification has been widely paid attention to and applied in more and more fields. On the basis of the latest research results at home and abroad, this paper focuses on multi-class classification and class classification. 1. The second chapter introduces the existing multi-class classifiers and a class of classifiers. 1) the relation between Bayesian classifier, mutual information criterion, mutual information and Bayesian error rate is introduced in turn. From this, the information discriminant analysis based on mutual information criterion (IDA) and other related multi-class classifiers are elicited. 2) for a class of classifiers, two kinds of classifiers, support vector domain description (SVDD) and support vector machine (SVM), are introduced. Finally, several generally accepted performance evaluation indexes of classifier are introduced. 2. In order to solve the problem of high dimensional estimation error in IDA, a multi-class classifier based on linear statistical model and mutual information criterion is proposed in chapter 3. The classifier uses linear statistical model to describe the subspace statistical structure of observed data, uses mutual information criterion to constrain the separability of subspace, and optimizes logarithmic likelihood function and mutual information function by jointly optimizing logarithmic likelihood function and mutual information function. The optimal transformation matrix and noise variance are obtained. The classifier can directly obtain the optimal transformation matrix, which can describe the observation data as accurately as possible while making the subspace strongly separable. Based on synthetic data, the simulation results of (UCI) common data and radar measured data at UCLA Irvine verify the good classification performance and robustness of the classifier. In order to solve the problem of model selection in the existing class of classifiers, we propose an infinite Bayesian class of SVM classifiers in chapter 4. First, the existing SVM is improved by normalized function, and then the improved SVM is expressed by probability model with the help of data enhancement technique, and a Bayesian SVM classifier is obtained. Finally, an infinite Bayesian SVM classifier is obtained by extending the Bayesian class of SVM by using the (DP) infinite mixed expert model of the Dirichlet process. The classifier does not need manual intervention to set parameters, and can automatically adapt to the change of data, and automatically learn model parameters to realize model selection. Synthetic data, UCI common data and radar data show that the classifier has good classification performance.
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：TN957.52

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳玉明;吳克壽;孫金華;;基于知識(shí)粒度的異常數(shù)據(jù)挖掘算法[J];計(jì)算機(jī)工程與應(yīng)用;2012年04期

2 唐成龍;邢長(zhǎng)征;;基于數(shù)據(jù)分區(qū)和網(wǎng)格的離群點(diǎn)挖掘算法[J];計(jì)算機(jī)應(yīng)用;2012年08期

3 陳蓉;李艷萍;;一種基于離群點(diǎn)的聚類迭代檢測(cè)算法[J];科學(xué)技術(shù)與工程;2012年35期

4 陳玉明;吳克壽;李向軍;;一種基于信息熵的異常數(shù)據(jù)挖掘算法[J];控制與決策;2013年06期

5 楊福萍;王洪國;董樹霞;牛家洋;丁艷輝;;基于聚類劃分的兩階段離群點(diǎn)檢測(cè)算法[J];計(jì)算機(jī)應(yīng)用研究;2013年07期

6 李俊;;底層網(wǎng)絡(luò)潛在危險(xiǎn)數(shù)據(jù)的未激活狀態(tài)挖掘模型[J];科技通報(bào);2015年03期

7 鄒勁松;唐旭;;基于粗糙集的圖像隱藏信息檢測(cè)改進(jìn)方法[J];測(cè)控技術(shù);2015年04期

8 程超;張漢敬;景志敏;陳明;矯磊;楊立新;;基于離群點(diǎn)算法和用電信息采集系統(tǒng)的反竊電研究[J];電力系統(tǒng)保護(hù)與控制;2015年17期

9 莫倩;楊珂;;網(wǎng)絡(luò)水軍識(shí)別研究[J];軟件學(xué)報(bào);2014年07期

10 陳穎悅;陳玉明;;基于信息熵與蟻群優(yōu)化的屬性約簡(jiǎn)算法[J];小型微型計(jì)算機(jī)系統(tǒng);2015年03期

相關(guān)碩士學(xué)位論文 前10條

1 李愛春;Web挖掘在檢測(cè)網(wǎng)絡(luò)廣告欺詐行為中的研究與應(yīng)用[D];廣東工業(yè)大學(xué);2011年

2 吳國洋;GML時(shí)空離群點(diǎn)挖掘技術(shù)研究[D];江西理工大學(xué);2011年

3 孫曉博;基于粗糙集理論的聚類算法研究[D];湖南農(nóng)業(yè)大學(xué);2011年

4 楊金偉;基于距離和信息熵的不確定異常點(diǎn)檢測(cè)研究[D];云南大學(xué);2011年

5 路亮;基于高維空間目標(biāo)類幾何覆蓋模型的一類分類器研究[D];燕山大學(xué);2010年

6 張遠(yuǎn)方;基于密度的局部離群點(diǎn)挖掘算法研究[D];廣西大學(xué);2011年

7 葉振春;實(shí)兵對(duì)抗演習(xí)評(píng)估系統(tǒng)中數(shù)據(jù)清理方法研究[D];解放軍信息工程大學(xué);2011年

8 洪弘;數(shù)據(jù)挖掘技術(shù)在中藥水提液膜分離中的應(yīng)用研究[D];南京中醫(yī)藥大學(xué);2012年

9 甘桔;基于d-近鄰聚類的證券時(shí)間序列奇異點(diǎn)研究[D];昆明理工大學(xué);2012年

10 高祖康;基于數(shù)據(jù)挖掘的商業(yè)銀行貸款信用評(píng)級(jí)[D];南京理工大學(xué);2013年

，

本文編號(hào)：2340406