Por favor, use este identificador para citar o enlazar este ítem: http://cicese.repositorioinstitucional.mx/jspui/handle/1007/334
Aprendizaje evolutivo del clasificador bayesiano simple dinámico.
Evolutionary learning of dynamic Bayesian naive classi?er.
Miguel Angel Palacios Alonso
Luis Enrique Sucar Succar
CARLOS ALBERTO BRIZUELA RODRIGUEZ
Acceso Abierto
Atribución
Cómputo evolutivo,Clasificador bayesiano simple,Redes Bayesianas dinámicas,Reconocimiento de ademanes,Algoritmos genéticos
Muchos problemas tales como el reconocimiento de voz, reconocimiento del habla, procesamiento de imágenes y muchas otras tareas han sido tratadas con modelos ocultos de Markov, estos problemas pueden ser tratados también con una extensión del clasi?cador bayesiano simple (CBS) conocido como el clasi?cador bayesiano simple dinámico (CBSD). El CBS trabaja bien en conjuntos de datos con atributos independientes. Sin embargo, su rendimiento disminuye cuando los atributos son dependientes o cuando uno o más atributos irrelevantes son dependientes de algún atributo relevante. Por lo tanto, para incrementar la exactitud de este clasi?cador se requiere de un método para el diseño de la estructura de una red que pueda capturar las dependencias entre atributos y elimine atributos irrelevantes. El CBSD es un método probabilístico para clasi?cación de procesos dinámicos que involucran relaciones temporales, supone que los procesos que modela son estacionarios (los parámetros no cambian con el tiempo) y Markovianos (la probabilidad del estado futuro es independiente del pasado dado el presente), además de que supone independencia condicional de los atributos dada la clase. En el problema de aprendizaje del CBSD deben tomarse en cuenta además de la suposición de independencia heredada por el CBS, las relaciones temporales que describe el proceso dinámico. Por lo tanto, realizando mejora estructural, se requiere un método de aprendizaje que permita eliminar atributos irrelevantes, determinar la asociación de atributos (dependientes) correspondientes a los nodos hijo y determinar el número óptimo de estados del nodo clase oculto. En este trabajo se propone un algoritmo de optimización evolutivo para resolver este problema de diseño. Se propone un nuevo esquema de codi?cación y sus respectivos operadores genéticos, los cuales son extensiones naturales de codi?cación y operadores para problemas de agrupamiento. La metodología diseñada es aplicada para resolver el problema de reconocimiento de nueve ademanes de la mano derecha. Los resultados experimentales muestran que la red evolucionada tiene una exactitud de clasi?cación más alta que el clasi?cador bayesiano simple dinámico básico con una mejora promedio de 2.7% en el reconocimiento de los ademanes.
Many problems such as voice recognition, speech recognition, image processing and others have been dealt with Hidden Markov Models, these kind of problems can also be dealt with an extension of the naive Bayesian classi?er known as dynamic naive Bayesian classi?er. The naive Bayesian classi?er works well on data set with independent attributes. However, when attributes are dependent of each other or when one or more irrelevant attributes are dependent of relevant ones their performance decrease considerably. Therefore, to increase this classi?er accuracy we need a method to design network structures that can capture the dependencies and get rid of irrelevant attributes. The dynamic naive Bayesian classi?er is a probabilistic method for dynamic processes classi?cation that involve temporal relations, it assumes that the processes are stationary (the parameters do not change with time) and Markovians (the probability of the future state is independent from the past in view of the present), besides that conditional independence of the attributes is supposed given the class. In the learning problem, besides the independence assumption, temporal relations describing the dynamical process should also be considered. Therefore, the learning method should be capable of eliminating irrelevant attributes, determining the attributes associations that corresponds to the children nodes and also determining the optimal number of states for the hidden class node. We propose an evolutionary optimization algorithm to solve this design problem. We introduce a new encoding scheme and new genetic operators which are natural extensions of previously proposed encoding and operators for grouping problems. The design methodology is applied to solve the recognition problem for nine hand gestures. Experimental results show that the evolved network has higher average classi?cation accuracy than the basic dynamic naive Bayesian classi?er with an average improvement of 2.5% in gestures recognition.
CICESE
2008
Tesis de maestría
Español
Palacios Alonso,M.A.2008.Aprendizaje evolutivo del clasificador bayesiano simple dinámico..Tesis de Maestría en Ciencias. Centro de Investigación Científica y de Educación Superior de Ensenada, Baja California.xii, 100 pp.
CIENCIA DE LOS ORDENADORES
Aparece en las colecciones: Tesis - Ciencias de la Computación

Cargar archivos:


Fichero Descripción Tamaño Formato  
178151.pdfVersión completa de la tesis1.04 MBAdobe PDFVisualizar/Abrir