[发明专利]基于神经网络和贝叶斯模型的多层次递进分类方法及系统

权利要求书

1.一种基于神经网络和贝叶斯模型的多层次递进分类方法，其特征在于，总体步骤包括：

S1、神经网络数据预处理，对第一层模型准备好神经网络训练模型的特征向量和预测结果；

S2、神经网络的训练，在准备好的数据上进行神经网络模型的训练，构建大类层次的分类器模型；

S3、贝叶斯模型的训练，在每个大类下建立该类别的贝叶斯网络模型；

S4、待分类样本的预测步骤。

2.根据权利要求1所述的一种基于神经网络和贝叶斯模型的多层次递进分类方法，其特征在于，步骤S3包括：

S3.1、子类模型数据准备：获取每个大类下面的所有样本，如果一个样本属于不同的大类，按照真实属性提取；

S3.2、建立子类模型的贝叶斯网络分类器。

3.根据权利要求1所述的一种基于神经网络和贝叶斯模型的多层次递进分类方法，其特征在于，步骤S4包括：

S4.1、对待分类样本按照神经网络模型的数据准备方法进行特征提取；

S4.2、将样本送入神经网络模型进行预测，输出预测概率大于给定值的分类编号；

S4.3、按照贝叶斯网络模型的数据准备步骤对待分类样本进行数据准备；

S4.4、将样本分别进入对应的模型进行预测，每个模型给出预测结果。选择概率值大于给定阈值的预测结果，对个模型的输出结果进行归一化处理；

S4.5、将第一层的归一化之后的概率值与每个大类下的预测值相乘，得到最终的预测值，将模型的结果进行排序，选择相似度最大的前k个结果。

4.一种基于神经网络和贝叶斯模型的多层次递进分类系统，其特征在于，包括：

预处理模块，用于神经网络数据预处理，对第一层模型准备好神经网络训练模型的特征向量和预测结果；

神经网络训练模块，用于神经网络的训练，在准备好的数据上进行神经网络模型的训练，构建大类层次的分类器模型；

贝叶斯模型训练模块，用于贝叶斯模型的训练，在每个大类下建立该类别的贝叶斯网络模型；

预测模块，用于待分类样本的预测步骤。

5.根据权利要求4所述的一种基于神经网络和贝叶斯模型的多层次递进分类系统，其特征在于，贝叶斯模型训练模块包括：

子类模型数据准备单元，用于子类模型数据准备：获取每个大类下面的所有样本，如果一个样本属于不同的大类，按照真实属性提取；

分类器单元，用于建立子类模型的贝叶斯网络分类器。

6.根据权利要求4所述的一种基于神经网络和贝叶斯模型的多层次递进分类系统，其特征在于，预测模块包括：

特征提取单元，用于对待分类样本按照神经网络模型的数据准备方法进行特征提取；

神经网络预测单元，用于将样本送入神经网络模型进行预测，输出预测概率大于给定值的分类编号；

数据准备单元，用于按照贝叶斯网络模型的数据准备步骤对待分类样本进行数据准备；

贝叶斯模型预测单元，用于将样本分别进入对应的模型进行预测，每个模型给出预测结果。选择概率值大于给定阈值的预测结果，对个模型的输出结果进行归一化处理；

最终预测单元，将第一层的归一化之后的概率值与每个大类下的预测值相乘，得到最终的预测值，将模型的结果进行排序，选择相似度最大的前k个结果。