模式识别实验内容

模式识别实验内容 实验一 Bayes分类器设计 【实验目的】 对模式识别有一个初步的理解，能够根据自己的设计对贝叶斯决策理论算法有一个深刻地认识，理解二类分类器的设计原理。 【实验条件】 matlab软件 【实验原理】 最小风险贝叶斯决策可按下列步骤进行： (1)在已知 ， ，i=1,…，c及给出待识别的 的情况下，根据贝叶斯公式计算出后验概率： j=1,…，x (2)利用计算出的后验概率及决策 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf ，按下面的公式计算出采取 ,i=1,…，a的条件风险 ,i=1,2,…,a (3)对(2)中得到的a个条件风险值 ,i=1,…，a进行比较，找出使其条件风险最小的决策 ，即 则 就是最小风险贝叶斯决策。 【实验内容】 假定某个局部区域细胞识别中正常（ ）和非正常（ ）两类先验概率分别为 正常状态：P（ ）=0.9； 异常状态：P（ ）=0.1。 现有一系列待观察的细胞，其观察值为 ： -3.9847  -3.5549      -1.2401  -0.9780    -0.7932    -2.8531  -2.7605  -3.7287  -3.5414  -2.2692    -3.4549    -3.0752 -3.9934    2.8792  -0.9780  0.7932    1.1882    3.0682 -1.5799  -1.4885  -0.7431  -0.4221    -1.1186    4.2532  已知类条件概率是的曲线如下图： 类条件概率分布正态分布分别为（-2，0.25）（2,4）试对观察的结果进行分类。 【实验要求】 1) 用matlab完成基于最小错误率的贝叶斯分类器的设计，要求程序相应语句有 说明 关于失联党员情况说明岗位说明总经理岗位说明书会计岗位说明书行政主管岗位说明书 文字，要求有子程序的调用过程。 2) 根据例子画出后验概率的分布曲线以及分类的结果示意图。 3) 如果是最小风险贝叶斯决策，决策表如下： 最小风险贝叶斯决策表： 状态 决策 α1 0 4 α2 2 0       请重新设计程序，完成基于最小风险的贝叶斯分类器，画出相应的条件风险的分布曲线和分类结果,并比较两个结果。 【实验程序】 编写实验程序。 【实验结果和数据】 【实验 分析 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 】 实验二 基于Fisher准则线性分类器设计 【实验目的】 本实验旨在让同学进一步了解分类器的设计概念，能够根据自己的设计对线性分类器有更深刻地认识，理解Fisher准则 方法 快递客服问题件处理详细方法山木方法pdf计算方法pdf华与华方法下载八字理论方法下载 确定最佳线性分界面方法的原理，以及Lagrande乘子求解的原理。 【实验条件】 Matlab软件 【实验原理】 线性判别函数的一般形式可表示成 其中 根据Fisher选择投影方向W的原则，即使原样本向量在该方向上的投影能兼顾类间分布尽可能分开，类内样本投影尽可能密集的要求，用以评价投影方向W的函数为： 上面的公式是使用Fisher准则求最佳法线向量的解，该式比较重要。另外，该式这种形式的运算，我们称为线性变换，其中 式一个向量， 是 的逆矩阵，如 是d维， 和 都是d×d维，得到的 也是一个d维的向量。 向量 就是使Fisher准则函数 达极大值的解，也就是按Fisher准则将d维X空间投影到一维Y空间的最佳投影方向，该向量 的各分量值是对原d维特征向量求加权和的权值。 以上讨论了线性判别函数加权向量W的确定方法，并讨论了使Fisher准则函数极大的d维向量 的计算方法，但是判别函数中的另一项 尚未确定，一般可采用以下几种方法确定 如 或者　      或当 与 已知时可用 …… 当W0确定之后，则可按以下规则分类， 使用Fisher准则方法确定最佳线性分界面的方法是一个著名的方法，尽管提出该方法的时间比较早，仍见有人使用。 【实验程序】 样本数据 X=[x1,x2,x3]，两类问题。 第一类样本（共36个样本）： x1 =[0.2331    1.5207    0.6499    0.7757    1.0524    1.1974 0.2908    0.2518    0.6682    0.5622    0.9023    0.1333 -0.5431    0.9407  -0.2126    0.0507  -0.0810    0.7315 0.3345    1.0650  -0.0247    0.1043    0.3122    0.6655 0.5838    1.1653    1.2653    0.8137  -0.3399    0.5152 0.7226  -0.2015    0.4070  -0.1717  -1.0573  -0.2099]; x2 =[2.3385    2.1946    1.6730    1.6365    1.7844    2.0155 2.0681    2.1213    2.4797    1.5118    1.9692    1.8340 1.8704    2.2948    1.7714    2.3939    1.5648    1.9329 2.2027    2.4568    1.7523    1.6991    2.4883    1.7259 2.0466    2.0226    2.3757    1.7987    2.0828    2.0798 1.9449    2.3801    2.2373    2.1614    1.9235    2.2604]; x3 =[0.5338    0.8514    1.0831    0.4164    1.1176    0.5536 0.6071    0.4439    0.4928    0.5901    1.0927    1.0756 1.0072    0.4272    0.4353    0.9869    0.4841    1.0992 1.0299    0.7127    1.0124    0.4576    0.8544    1.1275 0.7705    0.4129    1.0085    0.7676    0.8418    0.8784 0.9751    0.7840    0.4158    1.0315    0.7533    0.9548]; 第二类样本（共36个） x1 =[1.4010    1.2301    2.0814    1.1655    1.3740    1.1829 1.7632    1.9739    2.4152    2.5890    2.8472    1.9539 1.2500    1.2864    1.2614    2.0071    2.1831    1.7909 1.3322    1.1466    1.7087    1.5920    2.9353    1.4664 2.9313    1.8349    1.8340    2.5096    2.7198    2.3148 2.0353    2.6030    1.2327    2.1465    1.5673    2.9414]; x2 =[1.0298    0.9611    0.9154    1.4901    0.8200    0.9399 1.1405    1.0678    0.8050    1.2889    1.4601    1.4334 0.7091    1.2942    1.3744    0.9387    1.2266    1.1833 0.8798    0.5592    0.5150    0.9983    0.9120    0.7126 1.2833    1.1029    1.2680    0.7140    1.2446    1.3392 1.1808    0.5503    1.4708    1.1435    0.7679    1.1288]; x3 =[0.6210    1.3656    0.5498    0.6708    0.8932    1.4342 0.9508    0.7324    0.5784    1.4943    1.0915    0.7644 1.2159    1.3049    1.1408    0.9398    0.6197    0.6603 1.3928    1.4084    0.6909    0.8400    0.5381    1.3729 0.7731    0.7319    1.3439    0.8142    0.9586    0.7379 0.7548    0.7393    0.6739    0.8651    1.3699    1.1458]; 要求编写程序。 【实验结果和数据】 【实验分析】 实验三 感知器准则算法实验 【实验目的】 贝叶斯分类方法是基于后验概率的大小进行分类的方法，有时需要进行概率密度函数的估计，而概率密度函数的估计通常需要大量样本才能进行，随着特征空间维数的增加，这种估计所需要的样本数急剧增加，使计算量大增。 在实际问题中，人们可以不去估计概率密度，而直接通过与样本和类别标号有关的判别函数来直接将未知样本进行分类。这种思路就是判别函数法，最简单的判别函数是线性判别函数。采用判别函数法的关键在于利用样本找到判别函数的系数，模式识别课程中的感知器算法是一种求解判别函数系数的有效方法。本实验的目的是通过编制程序，实现感知器准则算法，并实现线性可分样本的分类。 【实验条件】 Matlab软件 【实验原理】 参见相关教材。 【实验内容】 实验所用样本数据如表1给出（其中每个样本空间（数据）为两维，x 1表示第一维的值、x 2表示第二维的值），编制程序实现ω1、ω 2类ω 2、ω 3类的分类。分析分类器算法的性能。 具体要求： 1、复习感知器算法； 2、写出实现批处理感知器算法的程序 1）从a=0开始，将你的程序应用在ω1和ω2的训练数据上。记下收敛的步数。 2）将你的程序应用在ω2和ω3类上，同样记下收敛的步数。 3）试解释它们收敛步数的差别。 3、提高部分：ω3和ω4的前5个点不是线性可分的，请手工构造非线性映射，使这些点在映射后的特征空间中是线性可分的，并对它们训练一个感知器分类器。分析这个分类器对剩下的（变换后的）点分类效果如何？ 表1 感知器算法实验数据 【实验结果和数据】 【实验分析】 实验四 人脸识别 【实验目的】 综合运用模式识别理论中的特征提取算法和分类算法，同时结合图像处理基本知识设计人脸识别系统。 【实验条件】 Matlab软件 【实验原理】 特征提取：可以考虑主成份分析、线性鉴别分析方法； 分类器：可以考虑神经网络分类器、距离分类器等方法或其他方法。 【实验内容】 1、 实验数据：ORL人脸数据库； 2、 图像预处理：图像去噪、图像灰度归一化等； 3、 特征提取； 4、 分类器设计； 5、 系统测试与分析。 【实验结果和数据】 【实验分析】