基于贝叶斯方法的分类问题研究-信号与信息处理专业论文.docxVIP

摘要数据挖掘是信息技术自然演化的结果，是从大量数据中提取或“挖 摘要 数据挖掘是信息技术自然演化的结果，是从大量数据中提取或“挖 掘未知的、有价值的模式或规律等知识的复杂过程。其中，对数据 进行分类是数据挖掘领域研究的重要课题。贝叶斯方法由于具有坚实 的数学理论基础以及综合先验信息和数据样本信息的能力，而被广泛 研究与应用。本文重点研究了基于贝叶斯方法的数据分类算法，主要 工作和成果表现在以下两个方面： (1)针对无线传感器网络事件区域检测问题，提出分布式加权分 类容错检测的思想：考虑“邻域的邻域”的容错范围，首先通过邻域 节点与其周围节点的信息交换，对邻域节点的状态值进行估计，然后 采用加权方法对邻域节点的估计状态值进行加权综合，通过贝叶斯方 法对加权的阈值进行推导，完成对中心节点的错误检测和分类处理。 针对传感器节点规则排列和非规则排列两种情况，分别建立相应的无 线传感器网络事件区域容错检测模型，对规则排列的模型提出基于固 定权重的加权分类容错检测算法，而对非规则排列的模型，则提出基 于距离加权的分类容错检测算法。实验结果表明，这两种算法均具有 较高的错误检测精度，且算法运行时整个网络所消耗的能量适中。 (2)多类标数据中的样本可能属于一个或多个类标，因此其分类 问题较单类标分类更为复杂。本文提出一种新的多类标学习算法，首 先针对多类标数据的特征属性维数高的特点，采用LLE算法对多类 标数据的特征属性进行降维，提取能较完整描述数据的一组低维特征 属性集；然后将多类标样本集按所属的类标进行划分，并采用贝叶斯 分类模型来学习各组样本集的分类特性；根据各个分类模型的判定类 标，综合得到多类标样本的最终类标集。将该算法分别应用到自然场 景图像和基因数据的多类标分类学习中，实验结果表明，该算法针对 不同的多类标数据集均能取得很好的分类效果，且相比于其他多类标 算法有更高的性能。 关键词 数据挖掘，贝叶斯方法，无线传感器网络，容错检测，多类 标分类 ABSTRACTData ABSTRACT Data mining is the product of the development of information technology,which is a complex process extracting the implicated and valuable patterns，knowledge and rules from a large scale dataset．Data classification is one of the important topics in the field of data mining． Bayes Method，which bases on solid mathematics theories and comprehensively considers the prior information and data sample information，is being widely studied and used in recent years．In this paper,data classification algorithm based on Bayes Method is mainly studied，and the research work consists of two parts as follows： (1)Aiming at the problem of fault—tolerant event region detection in wireless sensor networks(WSN)，this paper propose the idea of distributed weighted classification fault—tolerant detection：considering the range of neighborhood’S neighborhood，we first use information exchange between neighbor nodes and their nearby nodes to estimate the status of the neighbor nodes；then we use the weighted fault—tolerant algorithm to predict the status of neighbor nodes for fault detection of the central node；by using Bayes method，the weight threshold for