模式识别
实验报告
化学实验报告单总流体力学实验报告观察种子结构实验报告观察种子结构实验报告单观察种子的结构实验报告单
学院:信息工程学院 班级:智能08 姓名:XXX
学号:xxxxxxxx
2011年6月
模式识别实验
实验一 Bayes分类器的设计 一、 实验目的:
1. 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;
2. 理解二类分类器的设计原理。
二、 实验条件:
1. PC微机一台和MATLAB软件。
三、 实验原理:
最小风险贝叶斯决策可按下列步骤进行:
P(,)P(X|,)i,1,?,ciiX1. 在已知,,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:
,,P(X|)P()ii,P(X|),ic
P(X|,)P(,),jjj,1,?,c,1j
,i2. 利用计算出的后验概率及决策表,按下式计算出采取决策的条件风险:
c
R(,|X),,(,,,)P(,|X),iijji,1,?,a,1j
R(,|X)i,1,?,aai3. 对2中得到的个条件风险值()进行比较,找出使条件
,k风险最小的决策,即:
R(,|X),minR(,|X)kk,1,?,ic ,
,k则就是最小风险贝叶斯决策。
四、 实验内容:
,,21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:
P(,)1正常状态:=0.9;
P(,)2异常状态:=0.1。
x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
模式识别实验
-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
P(x|,)P(x|,),,0,121111类条件概率分布正态分布分别为(-2,0.25)(2,4)。决策表为(
,(,,,),,,ij122122表示的简写),=6, =1,=0。
试对观察的结果进行分类。
五、 实验程序及结果:
试验程序和曲线如下,分类结果在运行后的主程序中: 实验主程序如下: x=[-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]; pxw1=normpdf(x,-1,0.25);
pxw2=normpdf(x,2,4); Pw1=0.9;
Pw2=0.1;
%计算后验概率
Pwx1=pxw1*Pw1./(pxw1*Pw1+pxw2*Pw2); Pwx2=1-Pwx1;
%计算条件风险 loss11=0;loss12=6;loss21=1;loss22=0;
R1=loss11*Pwx1+loss12*Pwx2; R2=loss21*Pwx1+loss22*Pwx2;
%类别判断 for i=1:4
for j=1:6 if R1(i,j)
规则
编码规则下载淘宝规则下载天猫规则下载麻将竞赛规则pdf麻将竞赛规则pdf
分类, w0
*T WX,,w,x,,01
*T WX,,w,x,,02
四、 实验内容:
已知有两类数据和二者的概率已知=0.6,=0.4。 ,,P(,)P(,)2121
中数据点的坐标对应一一如下: ,1
=0.2331 1.5207 0.6499 0.7757 1.0524 1.1974 x1
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
=2.3385 2.1946 1.6730 1.6365 1.7844 2.0155 y1
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
6
模式识别实验
=0.5338 0.8514 1.0831 0.4164 1.1176 0.5536 z1
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
数据点的对应的三维坐标为: ,2
=1.4010 1.2301 2.0814 1.1655 1.3740 1.1829 x2
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
=1.0298 0.9611 0.9154 1.4901 0.8200 0.9399 y2
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
=0.6210 1.3656 0.5498 0.6708 0.8932 1.4342 z2
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 数据的样本点分布如下图:
2
1.5
1
0.5
02.5
2321.5101-10.5-2
根据所得结果判断(1,1.5,0.6)(1.2,1.0,0.55),(2.0,0.9,0.68),(1.2,
7
模式识别实验 1.5,0.89),(0.23,2.33,1.43),属于哪个类别,并画出数据分类相应的结果图,要求画出其在W上的投影。
五、 实验程序及结果:
程序清单:
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]; y1=[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]; z1=[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]; x2=[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]; y2=[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]; z2=[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];
8
模式识别实验
%将以上矩阵整合成w1,w2形式 k=0;
for i=1:6
for j=1:6
k=k+1;
w1(:,k)=[x1(i,j);y1(i,j);z1(i,j)];
w2(:,k)=[x2(i,j);y2(i,j);z2(i,j)];
end
end %计算均值向量m1和m2
m1=mean(w1,2); m2=mean(w2,2);
%计算离散度矩阵 for i=1:36
s1=(w1(:,i)-m1)*(w1(:,i)-m1)';
s2=(w2(:,i)-m2)*(w2(:,i)-m2)'; end sw=s1+s2;
%计算阀值w0 w_new=transpose(inv(sw)*(m1-m2)); m1_new=w_new*m1; m2_new=w_new*m2;
Pw1=0.6; Pw2=0.4; e=exp(1);
w0=(m1_new+m2_new)/2-log(Pw1/Pw2)/log(e)/(36+36-2); %分类判断
x=[1 1.2 2.0 1.2 0.23
1.5 1.0 0.9 1.5 2.33
0.6 0.55 0.68 0.89 1.43]; m=0; n=0;
result1=[]; result2=[]; for i=1:5
y(i)=w_new*x(:,i);
if y(i)>w0
m=m+1;
result1(:,m)=x(:,i);
else
n=n+1;
result2(:,n)=x(:,i);
end
end
9
模式识别实验
%结果显示 display('属于第一类的点')
result1 display('属于第二类的点')
result2 scatter3(w1(1,:),w1(2,:),w1(3,:),'+r'),hold on
scatter3(w2(1,:),w2(2,:),w2(3,:),'sg'),hold on
scatter3(result1(1,:),result1(2,:),result1(3,:),'k'),hold on
scatter3(result2(1,:),result2(2,:),result2(3,:),'bd') title('样本点及实验点的空间分布图') legend('样本点w1','样本点w2','属于第一类的实验点','属于第二类的实验点')
结果显示如下
10
模式识别实验
?实验
总结
初级经济法重点总结下载党员个人总结TXt高中句型全总结.doc高中句型全总结.doc理论力学知识点总结pdf
:
通过本次实验我进一步熟悉了Bayes判别和Fisher线性判别的相关知识。Bayes判别的关键在于计算后验概率,而Fisher线性判别的关键在于找准投影方向使类内聚集内间分离。此外还在一定程度上锻炼了我的编程能力及对matlab的使用。
11