孙杨威12281201模式识别第5次实验报告

《孙杨威12281201模式识别第5次实验报告》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、实验报告学生姓名：孙杨威学号：12281201实验地点：九教北401综合实验室实验时间：2014.10.30一、实验名称：线性分类器设计二、实验原理：1.感知器准则算法实验：感知器的原理结构为： 感知器”是借于上世纪五六十年代人们对一种分类学习机模型的称呼，源于对生物智能的仿生学领域。定义感知准则函数：只考虑错分样本，于是定义：，其中X0为错分样本当分类发生错误时就有WTX<0，或－WTX>0,所以J(W)总是正值，错误分类愈少，J(W)就愈小。理想情况为，即求最小值的问题。求最小值，对W求梯度代

2、入迭代公式中Wk+1=Wk-ρk▽J由J(W)经第K+1次迭代时，J(W)趋于0，收敛于所求的W值。 2．基于Fisher准则线性分类器设计：Fisher准则函数：Fisher准则函数下的最优投影方向：向量就是使Fisher准则函数达极大值的解，也就是按Fisher准则将2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2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2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

3、采用下式确定：当W0确定之后，则可按以下规则分类一、实验内容：实验一：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，x1表示第一维的值、x2表示第二维的值），编制程序实现ω1、ω2类ω2、ω3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。实验二：已知有两类数据和。中数据点的坐标对应如下：一、实验步骤：1.把

4、数据作为样本，根据Fisher选择投影方向的原则，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，求出评价投影方向的函数，并在图形表示出来，并求使取极大值的。用matlab完成Fisher线性分类器的设计，程序的语句要求有注释。2.根据上述的结果并判断(1，1.5，0.6)，(1.2，1.0，0.55)，(2.0，0.9，0.68)，(1.2，1.5，0.89)，(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，画出其在上的投影二、实验

5、代码及分析：实验一：Perceptron.m文件输入以下代码：clearall;clc;%originaldata%产生第一类、第二类和第三类原始数据，分别赋给w1、w2和w3变量w1=[0.16.8-3.52.04.13.1-0.80.95.03.9;1.17.1-4.12.72.85.0-1.31.26.44.0];w2=[7.1-1.44.56.34.21.42.42.58.44.1;4.2-4.30.01.61.9-3.2-4.0-6.13.7-2.2];w3=[-3.00.52.9-0.

6、1-4.0-1.3-3.4-4.1-5.11.9;-2.98.72.15.22.23.76.23.41.65.1];%normalized%分别产生第一类、第二类和第三类增广样本向量集ww1、ww2和ww3ww1=[ones(1,size(w1,2));w1];ww2=[ones(1,size(w2,2));w2];ww3=[ones(1,size(w3,2));w3];%产生第一类和第二类样本向量的规范化增广样本向量集w12w12=[ww1,-ww2];%4-42%%w13=[ww1,-ww3]

7、;%%w23=[ww2,-ww3];y=zeros(1,size(w12,2));%产生1x20的行向量，赋给y，初值全为0v=[1;1;1];%给权向量v赋初值k=0;%k为迭代次数，v(0)=[1;1;1]whileany(y<=0)fori=1:size(y,2)y(i)=v'*w12(:,i);endv=v+(sum((w12(:,find(y<=0)))'))';k=k+1;endv%显示最终求得的权向量v的值k%迭代次数值figure(1)plot(w1(1,:),w1(2,:),'r

8、.')holdonplot(w2(1,:),w2(2,:),'b*')xmin=min(min(w1(1,:)),min(w2(1,:)));xmax=max(max(w1(1,:)),max(w2(1,:)));ymin=min(min(w1(2,:)),min(w2(2,:)));ymax=max(max(w1(2,:)),max(w2(2,:)));xindex=xmin-1:(xmax-xmin)/100:xmax+1;yindex=-v(2)*xindex/v(3)-v(