模式识别实验报告

《模式识别实验报告》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、模式识别实验报告班级：电信08-1班姓名：黄立金学号：80811140课程名称：模式识别导论实验一安装并使用模式识别工具箱一、实验目的：1．掌握安装模式识别工具箱的技巧，能熟练使用工具箱中的各项功能；2．熟练使用最小错误率贝叶斯决策器对样本分类；3．熟练使用感知准则对样本分类；4．熟练使用最小平方误差准则对样本分类；5．了解近邻法的分类过程，了解参数K值对分类性能的影响（选做）；6．了解不同的特征提取方法对分类性能的影响（选做）。二、实验内容与原理：1．安装模式识别工具箱；2．用最小错误率贝叶斯决策器对呈正态分布的两类样本分类；3．用感知准则对两类可分

2、样本进行分类，并观测迭代次数对分类性能的影响；4．用最小平方误差准则对云状样本分类，并与贝叶斯决策器的分类结果比较；5．用近邻法对双螺旋样本分类，并观测不同的K值对分类性能的影响（选做）；6．观测不同的特征提取方法对分类性能的影响（选做）。三、实验器材（设备、元器件、软件工具、平台）：1．PC机－系统最低配置512M内存、P4CPU；2．Matlab仿真软件－7.0/7.1/2006a等版本的Matlab软件。四、实验步骤：1．安装模式识别工具箱。并调出Classifier主界面。2．调用XOR.mat文件，用最小错误率贝叶斯决策器对呈正态分布的两类样

3、本分类。3.调用Seperable.mat文件，用感知准则对两类可分样本进行分类。4.调用Clouds.mat文件，用最小平方误差准则对两类样本进行分类。5.调用Spiral.mat文件，用近邻法对双螺旋样本进行分类。6.调用XOR.mat文件，用特征提取方法对分类效果的影响。五、实验数据及结果分析：（1）Classifier主界面如下（2）最小错误率贝叶斯决策器对呈正态分布的两类样本进行分类结果如下：（3）感知准则对两类可分样本进行分类当Numofiteration=300时的情况：当Numofiteration=1000时的分类如下：（4）最小平方

4、误差准则对两类样本进行分类结果如下：（5）近邻法对双螺旋样本进行分类，结果如下当Numofnearestneighbor=3时的情况为：当Numofnearestneighbor=12时的分类如下：（6）特征提取方法对分类结果如下当Newdatadimension=2时，其结果如下当Newdatadimension=1时，其结果如下六、实验结论：本次实验使我掌握安装模式识别工具箱的技巧，能熟练使用工具箱中的各项功能；对模式识别有了初步的了解。七、思考题：1．在图1-7中使用主成分分析进行特征提取，为什么提取的特征数目为1时（见图1-7（b）），分类效果

5、不尽人意？实验二用人工神经网络对二维样本分类一、实验目的：1．掌握人工神经网络的运行机理、参数设置和模型选择等；2．熟悉感知器的原理、特性与功能；3．熟悉误差反传网的原理、特性与功能；4．熟悉径向基函数网的原理、特性与功能；二、实验内容与原理：1．观察人工神经元的输出随权值与的变化；2．生成两类样本，然后用感知器对两类样本进行分类；3．用误差反传网实现函数逼近，观察参数设置和拓扑结构对逼近性能的影响；4．用径向基函数网逼近任意函数；三、实验器材（设备、元器件、软件工具、平台）：1．PC机－系统最低配置512M内存、P4CPU；2．Matlab仿真软件－

6、7.0/7.1/2006a等版本的Matlab软件。四、实验步骤：1．在MATLAB命令行状态下，键入DEMO并按回车键；得到如图2-2所示的界面。然后点击“Toolboxes”，打开MATLAB工具箱。再点击“Neuralnetworks”，选定神经网络工具箱。2．观察并记录人工神经元（Neurons）的特性与功能。3．观察并记录感知器（Perceptrons）的特性与功能。4．观察并记录误差反传网（BackpropagationNetworks）的特性与功能。五、实验数据及结果分析：1．观察并记录人工神经元（Neurons）的特性与功能（1）Sim

7、pleNeuronandTransferFunctions（One-inputneuron）W=0,b=0;(2)W=1,b=0;(3)W=1,b=1;2.观察并记录感知器（Perceptrons）的特性与功能4．观察并记录误差反传网（BackpropagationNetworks）的特性与功能。（1）Number=1;复杂度=3（2）Number=3;复杂度=3（3）Number=5；复杂度=3（4）Number=8；复杂度=35．观察并记录径向基函数网（RadialBasisNetworks）的特性与功能（1）P=-1:.1:1;T=[-.9602

8、-.5770-.0729.3771.6405.6600.4609....1336-.2013-