基于層次貝葉斯的子空間分類.pdf

1、本文提出了基于層次貝葉斯模型的子空間分類方法，與現(xiàn)有的子空間分類方法相比，它完全建立在貝葉斯統(tǒng)計(jì)模型的基礎(chǔ)上，比目前大多數(shù)子空間分類算法具有更為嚴(yán)格的統(tǒng)計(jì)學(xué)基礎(chǔ)。本文的方法賦予每類的每一個(gè)特征維以一定的概率來(lái)決定是由獨(dú)有模型參數(shù)產(chǎn)生還是共享模型參數(shù)產(chǎn)生，即每一維相對(duì)于共有維的“均值偏移”，因此所謂的子空間在我們的方法中實(shí)際是指由不同權(quán)重特征構(gòu)成的空間。 本模型基于層次貝葉斯結(jié)構(gòu)，因而可以從認(rèn)知層面發(fā)展以及評(píng)價(jià)模型。本模型允許多個(gè)

2、參數(shù)之間的復(fù)雜關(guān)系在不同層次上得到分離，從而把一個(gè)復(fù)雜的估計(jì)問(wèn)題分解為依賴于每個(gè)參數(shù)或每個(gè)參數(shù)子集的條件分布的簡(jiǎn)單估計(jì)問(wèn)題。它能充分描述模型，允許參數(shù)推理，有著較好的推廣性和普適性。 本文完成了基于層次貝葉斯的子空間分類模型的建立、推理、利用MCMC算法完成參數(shù)估計(jì)以及利用“均值偏移”的思想完成高維數(shù)據(jù)的降維，然后通過(guò)多組UCI標(biāo)準(zhǔn)數(shù)據(jù)集驗(yàn)證模型的分類性能；利用本模型分析基于array-CGH技術(shù)得到的基因組數(shù)據(jù)的空間相關(guān)性，分