模式识别实验报告new

《模式识别实验报告new》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、模式识别实验学院：信息工程学院班级：智能08姓名：XXX学号：xxxxxxxx2011年6月11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：1.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：　　　　2.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：　　3.对2中得到的个条件风险值（）进行比较，找出使条件风

2、险最小的决策，即：　　，则就是最小风险贝叶斯决策。四、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：=0.9；异常状态：=0.1。现有一系列待观察的细胞，其观察值为：-3.9847-3.5549-1.2401-0.9780-0.7932-2.853111模式识别实验-2.7605-3.7287-3.5414-2.2692-3.4549-3.0752-3.99342.8792-0.97800.79321.18823.0682-1.5799-1.4885-0.7431-0.4221-1.11864.2532类条件概率分布正态分

3、布分别为（-2，0.25）（2,4）。决策表为(表示的简写)，=6,=1，=0。试对观察的结果进行分类。一、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=[-3.9847-3.5549-1.2401-0.9780-0.7932-2.8531-2.7605-3.7287-3.5414-2.2692-3.4549-3.0752-3.99342.8792-0.97800.79321.18823.0682-1.5799-1.4885-0.7431-0.4221-1.11864.2532];pxw1=normpdf(x,-1,0.25

4、);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fori=1:4forj=1:6ifR1(i,j)

5、表示该点属于第二类');Y11模式识别实验实验结果如下：11模式识别实验实验二基于Fisher准则的线性分类器设计一、实验目的：1.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；2.理解Fisher准则方法确定最佳线性分界面方法的原理，以及拉格朗日乘子求解的原理。二、实验条件：1.PC微机一台和MATLAB软件。三、实验原理：设有一个集合包含N个d维样本，其中个属于类，个属于类。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

6、，用以评价投影方向的函数为：　其中：为类中的第个样本为类内离散度，定义为：为类间离散度，定义为：上面的公式是使用Fisher准则求最佳法线向量的解，我们称这种形式的运算为线性变换，其中是一个向量，是的逆矩阵，如是维，和都是×维，得到的也是一个维的向量。向量就是使Fisher准则函数达极大值的解，也就是按Fisher准则将维空间投影到一维空间的最佳投影方向，该向量的各分量值是对原11模式识别实验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的确定方法，并讨论了使Fisher准则函数极大的维向量的计算方法，但是判别函数中的另一项尚未确定，一般可采用以下几种

7、方法确定如　或者或当与已知时可用　　　　当确定之后，则可按以下规则分类，　　　　　　一、实验内容：已知有两类数据和二者的概率已知=0.6，=0.4。中数据点的坐标对应一一如下：=0.23311.52070.64990.77571.05241.19740.29080.25180.66820.56220.90230.1333-0.54310.9407-0.21260.0507-0.08100.73150.33451.0650-0.02470.10430.31220.66550.58381.16531.26530.8137-0.33990.51520.7226-0.2

8、0150.4070-0.