The interest in the pattern classification field has increased due to challenging applications and also due to computational demands, specially when big datasets have to
be analyzed. Statistical classification methods, as the based Bayes rules decision theory, apply the parameter estimation from a training dataset for recognizing different classes inside the dataset. In this work it is investigated the contribution of using the discrete wavelet transformation (DWT) for feature extraction during the classification process.
From the scale coefficients of different decomposition levels, new training datasets, which are used in Bayesian classifier, are formed. For the one and two dimensional transforms
the Daubechies wavelet family is considered. Three specifically wavelet functions are analyzed (Haar, Daubechies Db2 and Db8). Also, a hybrid methodology is proposed,
in which 2D and 1D wavelet transformations are applied in consecutive stages of data analysis. For the evaluation of the one dimensional transform methodology, two different
unidimensional datasets are used: one is composed by synthetic data, and the other is composed by network traffic data (DARPA1999 dataset). For the evaluation of 2D and
hybrid methodologies two-dimensional data are considered. The two-dimensional data are images with different digital pictures with and without using ash light. One advantage
of applying the hybrid methodology is the maintenance of the classification regularity and the increase of correct classification in some cases. / O interesse na área de classificação de padrões tem aumentado ultimamente devido a grande demanda computacional para a manipulação de grandes conjuntos de dados, e também ao aumento de aplicações desafidoras. Métodos de classificação estatística, como os métodos baseados na teoria de decisão das regras de Bayes, aplicam a abordagem de estimação de parâmetros a partir de um conjunto de dados de treinamento que definem as diferentes classes dentro de uma base de dados. Neste trabalho é avaliada a contribuição da transformada wavelet discreta (TWD) na extração de variáveis para a realização de classificação. A partir dos coeficientes de escala de diferentes níveis de TWD serão compostos novos conjuntos de dados de treinamento para serem aplicados em
métodos de classificação Bayesiano. Para as transformadas uni- e bidimensionais são consideradas funções da família de wavelets ortonormais de Daubechies (Haar, Daubechies
Db2 e Db8). Também é proposta uma metodologia híbrida para o tratamento de dados bidimensionais que compreende em aplicar tanto a transformada uni- quanto a bidimensional
em estágios consecutivos da análise dos dados. Para a avaliação da metodologia de classificação associada à transformada unidimensional são utilizados dois conjuntos de dados unidimensionais diferentes: o primeiro é composto por dados gerados sinteticamente, e o outro é composto por informações de tráfego de dados em rede (base DARPA 1999). Para avaliar as metodologias bidimensional e híbrida são utilizados dados bidimensionais (imagens originadas de fotografias digitais, com e sem uso de ash). Uma vantagem da
aplicação da metodologia híbrida é a manutenção da regularidade de classificação e o aumento nas classificações corretas em alguns casos.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufsm.br:1/5374 |
| Date | 24 March 2011 |
| Creators | Foster, Douglas Camargo |
| Contributors | Kozakevicius, Alice de Jesus, Ziegelmann, Patricia Klarmann, Nunes, Raul Ceretta, Baratto, Giovani |
| Publisher | Universidade Federal de Santa Maria, Programa de Pós-Graduação em Informática, UFSM, BR, Ciência da Computação |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Repositório Institucional da UFSM, instname:Universidade Federal de Santa Maria, instacron:UFSM |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | 100300000007, 400, 300, 300, 300, 500, 300, c4d76202-2553-4911-a8ff-f6895dfc0a58, 909c54d0-278a-4741-8ca1-b8767f11a41b, 8c2f752d-9f7a-4c02-ad09-cf0b6e3206e1, 57fafaae-aad3-4366-bce3-ab3e71704ade, 22cfa7e8-6bb0-47c0-a83b-c0783371f2a7 |
Page generated in 0.0022 seconds