结合Copula理论与贝叶斯决策理论的分类算法
传统的贝叶斯决策分类算法易受类条件概率密度函数估计的影响,可能会对分类结果造成干扰。对此本文提出来一种改进的贝叶斯决策分类算法,即Bayesian?Copula判别分类器( BCDC)。该方法无需对类条件概率密度函数的形式进行假设,而是将Copula理论和核密度估计相结合进行函数构建,利用核密度估计平滑特征的概率分布,概率积分变换将特征的累计概率分布转化为均匀分布,Copula函数构建2个类别的边缘累积分布之间的相关性。随后,用极大似然估计方法确定Copula函数的参数,贝叶斯信息准则( BIC)用于选择最合适的Copula函数。通过生物电信号的仿真实验进行模型验证,结果表明相比传统的概率模型,提出的分类算法在分类精度和AUC两个性能指标上表现较好,鲁棒性更强,说明了BCDC模型充分利用Copula理论和核密度估计的优点,提高了估计的准确性和灵活性。
机器学习、贝叶斯决策理论、Copula理论、核密度估计、生物电信号
11
TP391.4(计算技术、计算机技术)
上海市科委科技创新行动计划-生物医药领域产学研医合作资助项目12DZ1940903.
2016-04-25(万方平台首次上网日期,不代表论文的发表时间)
共6页
78-83