| 主权项 |
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）<img file="2013100179553100001DEST_PATH_IMAGE001.GIF" wi="90" he="48" />计算类均值向量；3）依据公式（5）<img file="33108DEST_PATH_IMAGE002.GIF" wi="152" he="46" />计算总体均值向量；4）依据公式97):<img file="2013100179553100001DEST_PATH_IMAGE003.GIF" wi="85" he="46" /><img file="826621DEST_PATH_IMAGE004.GIF" wi="161" he="49" />计算类内散布矩阵；5）依据公式(8)<img file="DEST_PATH_IMAGE005.GIF" wi="21" he="24" />=<img file="147881DEST_PATH_IMAGE006.GIF" wi="148" he="46" />计算类间散布矩阵；6）依据公式(11)<img file="DEST_PATH_IMAGE007.GIF" wi="126" he="28" />计算变换矩阵；7）利用公式(12)<img file="764194DEST_PATH_IMAGE008.GIF" wi="66" he="22" />将原样本集向<img file="DEST_PATH_IMAGE009.GIF" wi="20" he="20" />投影，得到新的样本集<img file="891419DEST_PATH_IMAGE010.GIF" wi="16" he="18" />；8）对新样本集按照公式(3)<img file="DEST_PATH_IMAGE011.GIF" wi="172" he="28" />进行学习分类其中<img file="539438DEST_PATH_IMAGE012.GIF" wi="300" he="116" />如果使<img file="DEST_PATH_IMAGE013.GIF" wi="97" he="28" />，对一切<img file="156233DEST_PATH_IMAGE014.GIF" wi="34" he="21" />成立，则将<img file="DEST_PATH_IMAGE015.GIF" wi="14" he="16" />归于<img file="457246DEST_PATH_IMAGE016.GIF" wi="18" he="25" />类，在这种情况下的贝叶斯分类就是利用式<img file="794686DEST_PATH_IMAGE011.GIF" wi="172" he="28" />计算出<img file="DEST_PATH_IMAGE017.GIF" wi="13" he="16" />个判别函数<img file="562791DEST_PATH_IMAGE018.GIF" wi="42" he="28" />，再从中选出对应于判别函数为最大值的类作为决策结果。 |
