模式识别_作业2
作业一：
在一个10类的模式识别问题中，有3类单独满足多类情况1，其余的类别满足多类情况2。问该模式识别问题所需判别函数的最少数目是多少？
答案：将10类问题可看作4类满足多类情况1的问题，可将3类单独满足多类情况1的类找出来，剩下的7类全部划到4类中剩下的一个子类中。再在此子类中，运用多类情况2的判别法则进行分类，此时需要7*（7-1）/2=21个判别函数。故共需要4+21=25个判别函数。
作业二：
一个三类问题，其判别函数如下：
d1(x)=-x1, d2(x)=x1+x2-1, d3(x)=x1-x2-1
1.设这些函数是在多类情况1条件下确定的，绘出其判别界
面和每一个模式类别的区域。
2.设为多类情况2，并使：d12(x)= d1(x), d13(x)= d2(x), d23(x)=
d3(x)。绘出其判别界面和多类情况2的区域。
3. 设d1(x), d2(x)和d3(x)是在多类情况3的条件下确定的，绘
出其判别界面和每类的区域。
答案：
1
2
3
作业三：
两类模式，每类包括5个3维不同的模式，且良好分布。如果它们是线性可分的，问权向量至少需要几个系数分量？假如要建立二次的多项式判别函数，又至少需要几个系数分量？（设模式的良好分布不因模式变化而改变。）
答案：如果它们是线性可分的，则至少需要4个系数分量；如果要建立二次的多项式判别函数，则至少需要1025 C 个系数分量。 作业四：
用感知器算法求下列模式分类的解向量w :
ω1: {(0 0 0)T , (1 0 0)T , (1 0 1)T , (1 1 0)T }
ω2: {(0 0 1)T, (0 1 1)T, (0 1 0)T, (1 1 1)T}
答案：将属于ω2的训练样本乘以（-1），并写成增广向量的形式。
x①=(0 0 0 1)T,x②=(1 0 0 1)T,x③=(1 0 1 1)T,x④=(1 1 0 1)T
x⑤=(0 0 -1 -1)T,x⑥=(0 -1 -1 -1)T,x⑦=(0 -1 0 -1)T,x⑧=(-1 -1 -1 -1)T
第一轮迭代：取C=1，w(1)=(0 0 0 0)T
因w T(1)x①=(0 0 0 0)(0 0 0 1)T=0≯0，故w(2)=w(1)+x①=(0 0 0 1) 因w T(2)x②=(0 0 0 1)(1 0 0 1)T =1>0，故w(3)=w(2)=(0 0 0 1)T
因w T(3)x③=(0 0 0 1)(1 0 1 1)T=1>0，故w(4)=w(3)=(0 0 0 1)T
因w T(4)x④=(0 0 0 1)(1 1 0 1)T=1>0，故w(5)=w(4)=(0 0 0 1)T
因w T(5)x⑤=(0 0 0 1)(0 0 -1 -1)T=-1≯0，故w(6)=w(5)+x⑤=(0 0 -1 0)T
因w T(6)x⑥=(0 0 -1 0)(0 -1 -1 -1)T=1>0，故w(7)=w(6)=(0 0 -1 0)T 因w T(7)x⑦=(0 0 -1 0)(0 -1 0 -1)T=0≯0，故w(8)=w(7)+x⑦=(0 -1 -1 -1)T
因w T(8)x⑧=(0 -1 -1 -1)(-1 -1 -1 -1)T=3>0，故w(9)=w(8)=(0 -1 -1 -1)T
因为只有对全部模式都能正确判别的权向量才是正确的解，因此需进行第二轮迭代。
第二轮迭代：
因w T(9)x①=(0 -1 -1 -1)(0 0 0 1)T=-1≯0，故w(10)=w(9)+x① =(0 -1 -1 0)T
因w T(10)x②=(0 -1 -1 0)(1 0 0 1)T=0≯0，故w(11)=w(10)+x② =(1 -1 -1 1)T
因w T(11)x③=(1 -1 -1 1)(1 0 1 1)T=1>0，故w(12)=w(11) =(1 -1 -1 1)T
因w T(12)x④=(1 -1 -1 1)(1 1 0 1)T=1>0，故w(13)=w(12) =(1 -1 -1 1)T
因w T(13)x⑤=(1 -1 -1 1)(0 0 -1 -1)T=0≯0，故w(14)=w(13)+x⑤ =(1 -1 -20)T
因w T(14)x⑥=(1 -1 -2 0)(0 -1 -1 -1)T=3>0，故w(15)=w(14) =(1 -1 -2 0)T
因w T(15)x⑧=(1 -1 -2 0)(0 -1 0 -1)T=1>0，故w(16)=w(15) =(1 -1 -2 0)T
因w T(16)x⑦=(1 -1 -2 0)(-1 -1 -1 -1)T=2>0，故w(17)=w(16) =(1 -1 -2 0)T
因为只有对全部模式都能正确判别的权向量才是正确的解，因此需进行第三轮迭代。
第三轮迭代：
w(25)=(2 -2 -2 0);
因为只有对全部模式都能正确判别的权向量才是正确的解，因此需进行第四轮迭代。
第四轮迭代：
w(33)=(2 -2 -2 1)
因为只有对全部模式都能正确判别的权向量才是正确的解，因此需进行第五轮迭代。 第五轮迭代： w(41)=(2 -2 -2 1)
因为该轮迭代的权向量对全部模式都能正确判别。所以权向量即为(2 -2 -2 1),相应的判别函数为123()2221d x x x x =--+ 作业五：
编写求解上述问题的感知器算法程序。 程序源码： #include
int scale; //每个样本的维数，最多支持十维 int W1_N,W2_N; //第一类的个数以及第二类的个数
double W1[1000],W2[1000];//第一、二类的所有样本的增广向量 int C;//初始的算法中的C 值
double W[10];//初始的算法中的W 向量 int main() { cin>>scale>>W1_N>>W2_N;
for(int i=0;i { cin>>W1[i]; if(i%(scale+1)==2) //转化成增广向量W1[++i]=1; } for(int i=0;i { cin>>W2[i]; W2[i]=-1*W2[i]; if(i%(scale+1)==2) //转化成增广向量W2[++i]=-1; } scale=scale+1; cin>>C; for(int i=0;i cin>>W[i]; bool flag=false; while(!flag) { bool flag1=true; for(int i=0;i { doubletmp=0.0; for(int j=0;j tmp+=W1[i*scale+j]*W[j]; if(tmp<=0) { flag1=false; for(int j=0;j W[j]=W[j]+W1[i*scale+j]; } } for(int i=0;i { doubletmp=0.0; for(int j=0;j tmp+=W2[i*scale+j]*W[j]; if(tmp<=0) { flag1=false; for(int j=0;j W[j]=W[j]+W2[i*scale+j]; } } if(flag1) flag=true; } cout<<”最后的权向量为：”< cout< for(int i=1;i cout<<" "< cout< return 0; } 程序运行截图： 作业六： 用多类感知器算法求下列模式的判别函数： ω1: (-1 -1)T ω2: (0 0)T ω3: (1 1)T 将模式样本写成增广形式： x ①=(-1-1 1)T ,x ②=(00 1)T ,x ③=(1 1 1)T 取初始值w 1(1)=w 2(1)=w 3(1)=(0 0 0)T ，C=1。 第一轮迭代（k=1）：以x ①=(-1 -1 1)T 作为训练样本。 d 1(1)=)1(1T w x ①=(0 0 0)(-1 -1 1)T =0 d 2(1)=)1(2T w x ①=(0 0 0)(-1 -1 1)T =0 d 3(1)=)1(3T w x ①=(0 0 0)(-1 -1 1)T =0 因d 1(1)≯d 2(1)，d 1(1)≯d 3(1)，故 w 1(2)=w 1(1)+x ①=(-1 -1 1)T w 2(2)=w 2(1)-x ①=(11 -1)T w 3(2)=w 3(1)-x ①=(11 -1)T 第二轮迭代（k=2）：以x ②=(0 0 1)T 作为训练样本 d 1(2)=)2(1T w x ②=(-1 -1 1)(0 0 1)T =1 d 2(2)=)2(2T w x ②=(1 1 -1)(0 0 1)T =-1 d 3(2)=)2(3T w x ②=(11 -1)(0 0 1)T =-1 因d 2(2)≯d 1(2)，d 2(2)≯d 3(2)，故 w 1(3)=w 1(2)-x ②=(-1 -1 0)T w 2(3)=w 2(2)+x ②=(1 1 0)T 第三轮迭代（k=3）：以x ③=(1 1 1)T 作为训练样本 d 1(3)=)3(1T w x ③=(-1 -1 0)(1 1 1)T =-2 d 2(3)=)3(2T w x ③=(1 1 0)(1 1 1)T =2 d 3(3)=)3(3T w x ③=(1 1 -2)(1 1 1)T =0 因d 3(3)≯d 2(3)，故 w 1(4)=w 1(3) =(-1 -1 0)T w 2(4)=w 2(3)-x ③=(0 0 -1)T w 3(4)=w 3(3)+x ③=(2 2 -1)T 第四轮迭代（k=4）：以x ①=(-1 -1 1)T 作为训练样本 d 1(4)=)4(1T w x ①=(-1 -1 0)(-1 -1 1)T =2 d 2(4)=)4(2T w x ①=(0 0 -1)(-1 -1 1)T =-1 d 3(4)=)4(3T w x ①=(2 2 -1)(-1 -1 1)T =-5 因d 1(4)>d 2(4)，d 1(4)>d 3(4)，故 w 1(5)=w 1(4) =(-1 -1 0)T w 2(5)=w 2(4) =(0 0 -1)T w 3(5)=w 3(4) =(2 2 -1)T 第五轮迭代（k=5）：以x ②=(0 0 1)T 作为训练样本 d 1(5)=)5(1T w x ②=(-1 -1 0)(0 0 1)T =0 d 2(5)=)5(2T w x ②=(0 0 -1)(00 1)T =-1 d 3(5)=)5(3T w x ②=(2 2 -1)(00 1)T =-1 因d 2(5) ≯d 1(5)，d 2(5) ≯d 3(5)，故 w 2(6)=w 2(5)+x ②=(0 0 0) w 3(6)=w 3(5)-x ②=(2 2 -2) 第六轮迭代（k=6）：以x ③=(1 1 1)T 作为训练样本 d 1(6)=)6(1T w x ③=(-1 -1 -1)(1 1 1)T =-3 d 2(6)=)6(2T w x ③=(0 0 0)(1 1 1)T =0 d 3(6)=)6(3T w x ③=(2 2 -2)(1 1 1)T =2 因d 3(6)>d 1(6)，d 3(6)>d 2(6)，故 w 1(7)=w 1(6) w 2(7)=w 2(6) w 3(7)=w 3(6) 第七轮迭代（k=7）：以x ①=(-1 -1 1)T 作为训练样本 d 1(7)=)7(1T w x ①=(-1 -1 -1)(-1 -1 1)T =1 d 2(7)=)7(2T w x ①=(0 0 0)(-1 -1 1)T =0 d 3(7)=)7(3T w x ①=(2 2-2)(-1 -1 1)T =-6 因d 1(7)>d 2(7)，d 1(7)>d 3(7)，分类结果正确，故权向量不变。 由于第五、六、七次迭代中x ①、x ②、x ③均已正确分类，所以权向量的解为： w 1=(-1 -1 -1)T w 2=(0 0 0)T w 3=(2 2 -2)T 三个判别函数： d 1(x)=-x 1 -x 2-1 d 2(x)=0 d 3(x)=2x 1+2x 2-2 作业七： 采用梯度法和准则函数 2 (,,) 21 ()8t t w x b J w x b w x b x ??=---?? 式中实数b>0，试导出两类模式的分类算法。 答案：J 对w 的微分式： [][] )sign(*x -x *||)(|| |｜412 b x w b x w b x w x w J T T T ----=?? 定义： ???≤-->+=-0 10 -1)(b x w if b x w if b x w sign T T T 则由梯度法中w(k+1)和w(k)的关系有： [][] )sign(*x -x *|w(k)|)w(k)(|| |｜4)()1(2 b x w b x b x x C k w k w T T T ----+ =+ 其中x k 是训练模式样本，k 是指第k 次迭代。 ?? ? ??≤-->-?+=+0)(|||｜0 0)()1(2b x w if x w b x x b x w if C k w k w T k T k k k T 可以看出，当0>-b x w T 时，则w(k+1) = w(k)，此时不对权向量进行修正；当0≤-b x w T 时，则w(k+1) = w(k) + C )(|| |｜2 k T k k k x w b x x -，需对权向量进行校正，初始权向量w(1)的值可任选。 作业八：用二次埃尔米特多项式的势函数算法求解以下模式的分类问题 ω1: {(0 1)T , (0 -1)T } ω2: {(1 0)T , (-1 0)T } 答案： （1） 11120102221201122 2 3312012224412110215512111212 2 6612112212()(,)()()1 ()(,)()()2()(,)()()42()(,)()()2()(,)()()4()(,)()()2(4x x x H x H x x x x H x H x x x x x H x H x x x x x H x H x x x x x H x H x x x x x x H x H x x x ????????????=========-=========2771221021288122112212299122122122) ()(,)()()42()(,)()()2(42) ()(,)()()(42)(42) x x x H x H x x x x x H x H x x x x x x H x H x x x ??????-===-===-===-- 按第一类势函数定义，得到势函数 9 1(,)()()k i i k i K x x x x ??==∑ 其中T x x x ),(21=，T k k k x x x ),(2 1 = （2）通过训练样本逐步计算累积位势K(x) 给定训练样本：ω1类为x ①=(01)T , x ②=(0 -1)T ω2类为x ③=(1 0)T , x ④=(-10)T 累积位势K(x)的迭代算法如下 第一步：取x ①=(0 1)T ∈ω1，故 22222 12211212 ()152040243264K X x x x x x x x =-+++-- 第二步：取x ②=(0 -1)T ∈ω1，故K 1(x ②)=5 因K 1(x ②)>0且x ②∈ω1，故K 2(x)=K 1(x) 第三步：取x ③=(1 0)T ∈ω2，故K 2(x ③)=9 因K 2(x ③)>0且x ③∈ω2，故 2 23232211()()(,)20162016K X K X K X X x x x x =-=+-- 第四步：取x ④=(-1 0)T ∈ω2，故K 3(x ④)=4 因K 3(x ④)>0且x ④∈ω2， 22222 4342121212 ()()(,)152********K X K X K X X x x x x x x x =-=+---+ 将全部训练样本重复迭代一次，得 第五步：取x ⑤=x ①=(01)T ∈ω1，K 4(x ⑤)=27>0 故K 5(x)=K 4(x) 第六步：取x ⑥=x ②=(0 -1)T ∈ω1，K 5(x ⑥)=-13<0 故2265612()()(,)3232K X K X K X X x x =+=-+ 第七步：取x ⑦=x ③=(1 0)T ∈ω2，K 6(x ⑦)=-32<0 故K 7(x)=K 6(x) 第八步：取x ⑧=x ④=(-1 0)T ∈ω2，K 7(x ⑧)=-32<0 故K 8(x)=K 7(x) 第九步：取x ⑨=x ①=(01)T ∈ω1，K 8(x ⑨)=32>0 故K 9(x)=K 8(x) 第十步：取x ⑩=x ②=(0 -1)T ∈ω1，K 9(x ⑩)=32>0 故K 10(x)=K 9(x) 其中第七步到第十步的迭代过程中对全部训练样本都能正确分类，因此算法收敛于判别函数 221012 ()()3232d X K X x x ==-+ ? 作业九：用下列势函数 2 ||||(,)k X X k K X X e α--= 求解以下模式的分类问题 ω1: {(0 1)T , (0 -1)T } ω2: {(1 0)T , (-1 0)T } 答案：取α=1，在二维情况下势函数为 ] )()[(2222112 ),(k k k x x x x x x k e e x x K -+----== 这里：ω1类为x ①=(0 1)T , x ②=(0 -1)T ω2类为x ③=(1 0)T , x ④=(-1 0)T 可以看出，这两类模式是线性不可分的。算法步骤如下： 第一步：取x ①=(0 1)T ∈ω1，则 22112()exp{(1)}K X x x =--- 第二步：取x ②=(0-1)T ∈ω1 因K 1(x ②)=e -(4+0)=e -4>0，故K 2(x)=K 1(x) 第三步：取x ③=(1 0)T ∈ω2 因K 2(x ③)=e -(1+1)=e -2>0，故 2222 3231212()()(,)exp{(1)}exp{(1)} K X K X K X X x x x x =-=-------第四步：取x ④=(-10)T ∈ω2 因K 3(x ④)=e -(1+1)-e -(4+0)=e -2-e -4>0，故 222222434121212()()(,)exp{(1)}exp{(1)}exp{(1)} K X K X K X X x x x x x x =-=---------+-第五步：取x ⑤=(0 1)T ∈ω1 因K 4(x ⑤)=1-e -(1+1)-e -(1+1) =1-e -2-e -2>0，故K 5(x)=K 4(x) 第六步：取x ⑥=(0 -1)T ∈ω1 因K 5(x ⑥)= e -(0+4)-e -(1+1)-e -(1+1) =e -4-e -2-e -2<0，故 222265612122 2 2 212 12 ()()(,)exp{(1)}exp{(1)} exp{(1)}exp{(1)} K X K X K X X x x x x x x x x =+=--++---------+- 第七步：取x ⑦=(1 0)T ∈ω2 因K 6(x ⑦)= e -(1+1)+e -(1+1)–1- e -(4+0) =e -2+e -2-1-e -4<0 故76()()K X K X = 第八步：取x ⑧=(-1 0)T ∈ω2 因K 7(x ⑧)= e -(1+1)+e -(1+1)- e -(4+0)-1=e -2+e -2-e -4- 1<0 故87()()K X K X = 第九步：取x ⑨=(0 1)T ∈ω1 因K 8(x ⑨)= e -(0+4)+1- e -(1+1)- e -(1+1)=e -4+1-e -2-e -2>0 故98()()K X K X = 第十步：取x ⑩=(0 -1)T ∈ω1 因K 8(x ⑨)= 1+e -(0+4)- e -(1+1)- e -(1+1)=1+e -4-e -2-e -2>0 故109()()K X K X = 最后，从第七步到第十步的迭代过程中，全部模式都已正确分类，故算法已经收敛于判别函数： 22221012122 22 212 12 ()()exp{(1)}exp{(1)} exp{(1)}exp{(1)} d X K X x x x x x x x x ==--++---------+- ·在一个10类的模式识别问题中，有3类单独满足多类情况1，其余的类别满足多类情况2。问该模式识别问题所需判别函数的最少数目是多少？ 应该是252142 6 *74132 7=+=+ =++C 其中加一是分别3类 和 7类 ·一个三类问题，其判别函数如下： d1(x)=-x1, d2(x)=x1+x2-1, d3(x)=x1-x2-1 (1)设这些函数是在多类情况1条件下确定的，绘出其判别界面和每一个模式类别的区域。 (2)设为多类情况2，并使：d12(x)= d1(x), d13(x)= d2(x), d23(x)= d3(x)。绘出其判别界面和多类情况2的区域。 (3)设d1(x), d2(x)和d3(x)是在多类情况3的条件下确定的，绘出其判别界面和每类的区域。 ·两类模式，每类包括5个3维不同的模式，且良好分布。如果它们是线性可分的，问权向量至少需要几个系数分量？假如要建立二次的多项式判别函数，又至少需要几个系数分量？（设模式的良好分布不因模式变化而改变。） 如果线性可分，则4个 建立二次的多项式判别函数，则102 5 C 个 ·(1)用感知器算法求下列模式分类的解向量w: ω1: {(0 0 0)T , (1 0 0)T , (1 0 1)T , (1 1 0)T } ω2: {(0 0 1)T , (0 1 1)T , (0 1 0)T , (1 1 1)T } 将属于ω2的训练样本乘以（-1），并写成增广向量的形式。 x ①=(0 0 0 1)T , x ②=(1 0 0 1)T , x ③=(1 0 1 1)T , x ④=(1 1 0 1)T x ⑤=(0 0 -1 -1)T , x ⑥=(0 -1 -1 -1)T , x ⑦=(0 -1 0 -1)T , x ⑧=(-1 -1 -1 -1)T 第一轮迭代：取C=1，w(1)=(0 0 0 0) T 因w T (1) x ① =(0 0 0 0)(0 0 0 1) T =0 ≯0，故w(2)=w(1)+ x ① =(0 0 0 1) 因w T (2) x ② =(0 0 0 1)(1 0 0 1) T =1>0，故w(3)=w(2)=(0 0 0 1)T 因w T (3)x ③=(0 0 0 1)(1 0 1 1)T =1>0，故w(4)=w(3) =(0 0 0 1)T 因w T (4)x ④=(0 0 0 1)(1 1 0 1)T =1>0，故w(5)=w(4)=(0 0 0 1)T 因w T (5)x ⑤=(0 0 0 1)(0 0 -1 -1)T =-1≯0，故w(6)=w(5)+ x ⑤=(0 0 -1 0)T 因w T (6)x ⑥=(0 0 -1 0)(0 -1 -1 -1)T =1>0，故w(7)=w(6)=(0 0 -1 0)T 因w T (7)x ⑦=(0 0 -1 0)(0 -1 0 -1)T =0≯0，故w(8)=w(7)+ x ⑦=(0 -1 -1 -1)T 因w T (8)x ⑧=(0 -1 -1 -1)(-1 -1 -1 -1)T =3>0，故w(9)=w(8) =(0 -1 -1 -1)T 因为只有对全部模式都能正确判别的权向量才是正确的解，因此需进行第二轮迭代。 第二轮迭代： 因w T (9)x ①=(0 -1 -1 -1)(0 0 0 1)T =-1≯0，故w(10)=w(9)+ x ① =(0 -1 -1 0)T 模式识别大作业 班级 021252 姓名 谭红光 学号 02125128 1.线性投影与Fisher 准则函数 各类在d 维特征空间里的样本均值向量： ∑∈= i k X x k i i x n M 1 ，2,1=i (1) 通过变换w 映射到一维特征空间后，各类的平均值为： ∑∈= i k Y y k i i y n m 1，2,1=i (2) 映射后，各类样本“类内离散度”定义为： 22 ()k i i k i y Y S y m ∈= -∑，2,1=i (3) 显然，我们希望在映射之后，两类的平均值之间的距离越大越好，而各类的样本类内离 散度越小越好。因此，定义Fisher 准则函数： 2 1222 12||()F m m J w s s -= + (4) 使F J 最大的解* w 就是最佳解向量，也就是Fisher 的线性判别式. 从 )(w J F 的表达式可知，它并非w 的显函数，必须进一步变换。 已知： ∑∈= i k Y y k i i y n m 1，2,1=i , 依次代入上两式，有： i T X x k i T k X x T i i M w x n w x w n m i k i k === ∑∑∈∈)1 (1 ，2,1=i (5) 所以：2 21221221||)(||||||||M M w M w M w m m T T T -=-=- w S w w M M M M w b T T T =--=))((2121 (6) 其中：T b M M M M S ))((2121--= (7) b S 是原d 维特征空间里的样本类内离散度矩阵，表示两类均值向量之间的离散度大 小，因此，b S 越大越容易区分。 将(4.5-6) i T i M w m =和(4.5-2) ∑∈= i k X x k i i x n M 1代入(4.5-4)2i S 式中： ∑∈-= i k X x i T k T i M w x w S 22)( ∑∈?--? =i k X x T i k i k T w M x M x w ))(( w S w i T = (8) 其中：T i X x k i k i M x M x S i k ))((--= ∑=，2,1=i (9) 因此：w S w w S S w S S w T T =+=+)(212221 (10) 显然： 21S S S w += (11) w S 称为原d 维特征空间里，样本“类内离散度”矩阵。 w S 是样本“类内总离散度”矩阵。 为了便于分类，显然 i S 越小越好，也就是 w S 越小越好。 模式识别特征选择与提取 中国矿业大学计算机科学与技术学院电子信息科学系 班级：信科11-1班，学号：08113545，姓名：褚钰博 联系方法（QQ或手机）：390345438，e-mail:390345438@https://www.wendangku.net/doc/8914654597.html, 日期：2014 年06月10日 摘要 实际问题中常常需要维数约简，如人脸识别、图像检索等。而特征选择和特征提取是两种最常用的维数约简方法。特征选择是从某些事物中提取出本质性的功能、应用、优势等，而特征提取是对特征空间进行变换，将原始特征空间映射到低维空间中。 本文是对主成分分析和线性判别分析。 关键词：特征选择，特征提取，主成分分析，线性判别分析 1.引言 模式识别的主要任务是利用从样本中提取的特征，并将样本划分为相应的模式类别，获得好的分类性能。而分类方法与分类器设计，都是在d（变量统一用斜体）维特征空间已经确定的前提下进行的。因此讨论的分类器设计问题是一个选择什么准则、使用什么方法,将已确定的d维特征空间划分成决策域的问题。对分类器设计方法的研究固然重要，但如何确定合适的特征空间是设计模式识别系统另一个十分重要，甚至更为关键的问题。如果所选用的特征空间能使同类物体分布具有紧致性，即各类样本能分布在该特征空间中彼此分割开的区域内，这就为分类器设计成功提供良好的基础。反之，如果不同类别的样本在该特征空间中混杂在一起，再好的设计方法也无法提高分类器的准确性。本文要讨论的问题就是特征空间如何设计的问题。 基于主成分分析的特征选择算法的思想是建立在这样的基础上的：主成分分析方法将原始特征通过线性变换映射到新的低维空间时，获得的主成分是去了新的物理意义，难以理解，并且主成分是所有原始特征的线性组合。所以将主成分分析与特征选择相结合，设计多种相似性度量准则，通过找到与主成分相关的关键特征或者删除冗余、不相关以及没有意义的特征，将主成分又重新映射到原始空间，来理解成主成分的实际意义。 基于线性判别分析的高维特征选择将单个特征的Fisher准则与其他特征选择算法相结合，分层消除不相关特征与冗余特征。不相关特征滤波器按照每个特征的Fisher评价值进行特征排序，来去除噪音和不相关特征。通过对高维数据特征关联性的分析，冗余特征滤波器选用冗余度量方法和基于相关性的快速过滤器算法。分别在不同情境下进行数据分类实验，验证其性能。 第5章：线性判别函数 第一部分：计算与证明 1． 有四个来自于两个类别的二维空间中的样本，其中第一类的两个样本为(1,4)T 和(2,3)T ，第二类的两个样本为(4,1)T 和(3,2)T 。这里，上标T 表示向量转置。假设初始的权向量a=(0,1)T ，且梯度更新步长ηk 固定为1。试利用批处理感知器算法求解线性判别函数g(y)=a T y 的权向量。 解： 首先对样本进行规范化处理。将第二类样本更改为(4,1)T 和(3,2)T .然后计算错分样本集： g(y 1)=(0,1)(1,4)T = 4 > 0 (正确) g(y 2)=(0,1)(2,3)T = 3 > 0 (正确) g(y 3)=(0,1)(-4,-1)T = -1 < 0 (错分) g(y 4)=(0,1)(-3,-2)T = -2 < 0 (错分) 所以错分样本集为Y={(-4,-1)T ,(-3,-2)T }. 接着，对错分样本集求和：(-4,-1)T +(-3,-2)T = (-7,-3)T 第一次修正权向量a ，以完成一次梯度下降更新：a=(0,1)T + (-7,-3)T =(-7,-2)T 再次计算错分样本集： g(y 1)=(-7,-2)(1,4)T = -15 <0 (错分) g(y 2)=(-7,-2)(2,3)T = -20 < 0 (错分) g(y 3)=(-7,-2)(-4,-1)T = 30 > 0 (正确) g(y 4)=(-7,-2)(-3,-2)T = 25 > 0 (正确) 所以错分样本集为Y={(1,4)T ,(2,3)T }. 接着，对错分样本集求和：(1,4)T +(2,3)T = (3,7)T 第二次修正权向量a ，以完成二次梯度下降更新：a=(-7,-2)T + (3,7)T =(-4,5)T 再次计算错分样本集： g(y 1) = (-4,5)(1,4)T = 16 > 0 (正确) g(y 2) =(-4,5)(2,3)T = 7 > 0 (正确) g(y 3) =(-4,5)(-4,-1)T = 11 > 0 (正确) g(y 4) =(-4,5)(-3,-2)T = 2 > 0 (正确) 此时，全部样本均被正确分类，算法结束，所得权向量a=(-4,5)T 。 2． 在线性感知算法中，试证明引入正余量b 以后的解区(a T y i ≥b)位于原来的解区之中(a T y i >0)，且与原解区边界之间的距离为b/||y i ||。 证明：设a*满足a T y i ≥b,则它一定也满足a T y i >0，所以引入余量后的解区位于原来的解区a T y i >0之中。 注意，a T y i ≥b 的解区的边界为a T y i =b,而a T y i >0的解区边界为a T y i =0。a T y i =b 与a T y i =0两个边界之间的距离为b/||y i ||。（因为a T y i =0过坐标原点，相关于坐标原点到a T y i =b 的距离。） 3． 试证明感知器准则函数正比于被错分样本到决策面的距离之和。 证明：感知器准则函数为： ()() T Y J ∈=-∑y a a y 决策面方程为a T y=0。当y 为错分样本时，有a T y ≤0。此时，错分样本到决策面的 第五章作业： 作业一： 设有如下三类模式样本集ω1，ω2和ω3，其先验概率相等，求S w 和S b ω1：{(1 0)T , (2 0) T , (1 1) T } ω2：{(-1 0)T , (0 1) T , (-1 1) T } ω3：{(-1 -1)T , (0 -1) T , (0 -2) T } 答案： 由于三类样本集的先验概率相等，则概率均为1/3。 多类情况的类内散布矩阵，可写成各类的类内散布矩阵的先验概率的加权和，即： ∑∑=== --= c i i i T i i c i i w C m x m x E P S 1 1 }|))(({)(ωω 其中C i 是第i 类的协方差矩阵。 其中1m = ,2m = 则=++=321S w w w w S S S 1/3 + + = 类间散布矩阵常写成： T i i c i i b m m m m P S ))(()(001 --= ∑=ω 其中，m 0为多类模式（如共有c 类）分布的总体均值向量，即： c i m P x E m i c i i i ,,2,1,,)(}{1 0K =?= =∑=ωω 0m = = 则 T i i c i i b m m m m P S ))(()(001 --= ∑=ω=++ = 作业二： 设有如下两类样本集，其出现的概率相等： ω1：{(0 0 0)T , (1 0 0) T , (1 0 1) T , (1 1 0) T } ω2：{(0 0 1)T , (0 1 0) T , (0 1 1) T , (1 1 1) T } 用K-L 变换，分别把特征空间维数降到二维和一维，并画出样本在该空间中的位置。 答案： =+=∑∑==i i N j j N j j x x m 1 21 1）4 1 4 1 （ 21 将所有这些样本的各分量都减去0.5，便可以将所有这些样本 的均值移到原点，即(0,0,0)点。 新得到的两类样本集为： 第一次课堂作业 ? 1.人在识别事物时是否可以避免错识？ ? 2.如果错识不可避免，那么你是否怀疑你所看到的、听到的、嗅到的到底 是真是的，还是虚假的？ ? 3.如果不是，那么你依靠的是什么呢？用学术语言该如何表示。 ? 4.我们是以统计学为基础分析模式识别问题，采用的是错误概率评价分类 器性能。如果不采用统计学，你是否能想到还有什么合理地分类器性能评价指标来替代错误率？ 1.知觉的特性为选择性、整体性、理解性、恒常性。错觉是错误的知觉，是在特定条件下产生的对客观事物歪曲的知觉。认知是一个过程，需要大脑的参与.人的认知并不神秘，也符合一定的规律，也会产生错误 2.不是 3.辨别事物的最基本方法是计算.从不同事物所具有的不同属性为出发点认识事物.一种是对事物的属性进行度量，属于定量的表示方法(向量表示法)。另一种则是对事务所包含的成分进行分析，称为定性的描述(结构性描述方法)。 4.风险 第二次课堂作业 ?作为学生，你需要判断今天的课是否点名。结合该问题(或者其它你熟悉的识别问题， 如”天气预报”)，说明: ?先验概率、后验概率和类条件概率？ ?按照最小错误率如何决策？ ?按照最小风险如何决策？ ωi为老师点名的事件,x为判断老师点名的概率 1.先验概率:指根据以往经验和分析得到的该老师点名的概率,即为先验概率P(ωi ) 后验概率:在收到某个消息之后，接收端所了解到的该消息发送的概率称为后验概率。 在上过课之后,了解到的老师点名的概率为后验概率P(ωi|x) 类条件概率:在老师点名这个事件发生的条件下,学生判断老师点名的概率p(x| ωi ) 2. 如果P(ω1|X)>P(ω2|X)，则X归为ω1类别 如果P(ω1|X)≤P(ω2|X)，则X归为ω2类别 3.1)计算出后验概率 已知P(ωi)和P(X|ωi)，i=1,…，c，获得观测到的特征向量X 根据贝叶斯公式计算 j=1,…，x 2)计算条件风险 模式识别大作业 一．K均值聚类（必做，40分） 1.K均值聚类的基本思想以及K均值聚类过程的流程图； 2.利用K均值聚类对Iris数据进行分类，已知类别总数为3。给出具体的C语言代码， 并加注释。例如，对于每一个子函数，标注其主要作用，及其所用参数的意义，对程序中定义的一些主要变量，标注其意义； 3.给出函数调用关系图，并分析算法的时间复杂度； 4.给出程序运行结果，包括分类结果（只要给出相对应的数据的编号即可）以及循环 迭代的次数； 5.分析K均值聚类的优缺点。 二．贝叶斯分类（必做，40分） 1.什么是贝叶斯分类器，其分类的基本思想是什么； 2.两类情况下，贝叶斯分类器的判别函数是什么，如何计算得到其判别函数； 3.在Matlab下，利用mvnrnd()函数随机生成60个二维样本，分别属于两个类别（一 类30个样本点），将这些样本描绘在二维坐标系下，注意特征值取值控制在（-5，5）范围以内； 4.用样本的第一个特征作为分类依据将这60个样本进行分类，统计正确分类的百分 比，并在二维坐标系下将正确分类的样本点与错误分类的样本点用不同标志（正确分类的样本点用“O”，错误分类的样本点用“X”）画出来； 5.用样本的第二个特征作为分类依据将这60个样本再进行分类，统计正确分类的百分 比，并在二维坐标系下将正确分类的样本点与错误分类的样本点用不同标志画出来； 6.用样本的两个特征作为分类依据将这60个样本进行分类，统计正确分类的百分比， 并在二维坐标系下将正确分类的样本点与错误分类的样本点用不同标志画出来； 7.分析上述实验的结果。 8.60个随即样本是如何产生的的；给出上述三种情况下的两类均值、方差、协方差矩 阵以及判别函数； 三．特征选择（选作，15分） 1.经过K均值聚类后，Iris数据被分作3类。从这三类中各选择10个样本点； 2.通过特征选择将选出的30个样本点从4维降低为3维，并将它们在三维的坐标系中 作业一： 在一个10类的模式识别问题中，有3类单独满足多类情况1，其余的类别满足多类情况2。问该模式识别问题所需判别函数的最少数目是多少？ 答案：将10类问题可看作4类满足多类情况1的问题，可将3类单独满足多类情况1的类找出来，剩下的7类全部划到4类中剩下的一个子类中。再在此子类中，运用多类情况2的判别法则进行分类，此时需要7*（7-1）/2=21个判别函数。故共需要4+21=25个判别函数。 作业二： 一个三类问题，其判别函数如下： d1(x)=-x1, d2(x)=x1+x2-1, d3(x)=x1-x2-1 1.设这些函数是在多类情况1条件下确定的，绘出其判别界 面和每一个模式类别的区域。 2.设为多类情况2，并使：d12(x)= d1(x), d13(x)= d2(x), d23(x)= d3(x)。绘出其判别界面和多类情况2的区域。 3. 设d1(x), d2(x)和d3(x)是在多类情况3的条件下确定的，绘 出其判别界面和每类的区域。 答案： 1 2 3 作业三： 两类模式，每类包括5个3维不同的模式，且良好分布。如果它们是线性可分的，问权向量至少需要几个系数分量？假如要建立二次的多项式判别函数，又至少需要几个系数分量？（设模式的良好分布不因模式变化而改变。） 答案：如果它们是线性可分的，则至少需要4个系数分量；如果要建立二次的多项式判别函数，则至少需要10 25 C 个系数分量。 作业四： 用感知器算法求下列模式分类的解向量w : ω1: {(0 0 0)T, (1 0 0)T, (1 0 1)T, (1 1 0)T} ω2: {(0 0 1)T, (0 1 1)T, (0 1 0)T, (1 1 1)T} 答案：将属于ω2的训练样本乘以（-1），并写成增广向量的形式。 x①=(0 0 0 1)T,x②=(1 0 0 1)T,x③=(1 0 1 1)T,x④=(1 1 0 1)T x⑤=(0 0 -1 -1)T,x⑥=(0 -1 -1 -1)T,x⑦=(0 -1 0 -1)T,x⑧=(-1 -1 -1 -1)T 第一轮迭代：取C=1，w(1)=(0 0 0 0)T 因w T(1)x①=(0 0 0 0)(0 0 0 1)T=0≯0，故w(2)=w(1)+x①=(0 0 0 1) 因w T(2)x②=(0 0 0 1)(1 0 0 1)T =1>0，故w(3)=w(2)=(0 0 0 1)T 因w T(3)x③=(0 0 0 1)(1 0 1 1)T=1>0，故w(4)=w(3)=(0 0 0 1)T 因w T(4)x④=(0 0 0 1)(1 1 0 1)T=1>0，故w(5)=w(4)=(0 0 0 1)T 因w T(5)x⑤=(0 0 0 1)(0 0 -1 -1)T=-1≯0，故w(6)=w(5)+x⑤=(0 0 -1 0)T 因w T(6)x⑥=(0 0 -1 0)(0 -1 -1 -1)T=1>0，故w(7)=w(6)=(0 0 -1 0)T 因w T(7)x⑦=(0 0 -1 0)(0 -1 0 -1)T=0≯0，故w(8)=w(7)+x⑦=(0 -1 -1 -1)T 因w T(8)x⑧=(0 -1 -1 -1)(-1 -1 -1 -1)T=3>0，故w(9)=w(8)=(0 -1 -1 -1)T 因为只有对全部模式都能正确判别的权向量才是正确的解，因此需进行第二轮迭代。 第二轮迭代： 神经网络的基本特征及其在战斗识别领域的应用前景简介 —神经网络原理及应用报告 课程名称：神经网络原理及应用 课程编号： 指导教师： 学院： 班级： 姓名： 学号： 日期： 神经网络的基本特征及其在战斗识别领域的应用前景简介 摘要：在未来的军事对抗上，对军事打击的物理距离越来越大，对打击的反应时间的要求越来越短，对打击的精度要求越来越高。在这种情况下，迅速且精确的敌我识别系统显得尤其重要。传统的战斗识别方式早已遇到了瓶颈，而神经网络因为它在信息、信号处理、模式识别方面有些独到之处，近年来受到各国军界的普遍重视。 关键词：军事,战斗识别,模式识别,敌我识别,神经网络 1 引言 众多科学家预言，21世纪将是“生物”世纪。这说明生物学的研究和应用已进入了空前繁荣的时代。神经网络系统理论就是近十多年来受其影响而得到飞速发展的一个世界科学研究的前沿领域。这股研究热潮必然会影响到军事技术的研究。在现代战争中，因为远程制导武器的广泛应用，绝大多数军事打击都不再依靠肉眼来辨析敌我，战场上的敌我识别变成了一个重要的问题。据统计，1991年的海湾战争期间，美军与友军之间的误伤比例高达24%；在伊拉克战争期间，共发生17起误伤事件，死18人，伤47人。两场战争的伤亡结果表明，单一的敌我识别武器已不能适应现代战争复杂的作战环境和作战要求。所以提高军队战斗识别的效率是现代军事科技研究中一个极其重要的课题。神经网络作为新的热门技术，必然受到军事研究学者们的青睐。本文只选取战斗识别这一领域，简要探讨神经网络技术在战斗识别领域中的应用前景，但求管中一窥，抛砖引玉。 2 神经网络简介 2.1 神经网络的历史 神经网络的研究可以追溯到上个世纪的1890年。但真正展开神经网络理论研究却始于本世纪40年代。1943年，有心理学家McCulloch和数学家Pitts合作提出了形式神经元的数学模型——MP模型，从此开创了神经网络理论研究的新时代。MP模型以集体并行计算结构来描述神经网络及网络的运行机制，可完成有限的逻辑运算。 1949年，Hebb通过对大脑神经的细胞、人的学习行为和条件反射等一系列 作业1 用身高和/或体重数据进行性别分类（一） 基本要求： 用FAMALE.TXT和MALE.TXT的数据作为训练样本集，建立Bayes分类器，用测试样本数据对该分类器进行测试。调整特征、分类器等方面的一些因素，考察它们对分类器性能的影响，从而加深对所学内容的理解和感性认识。 具体做法： 1．应用单个特征进行实验：以（a）身高或者（b）体重数据作为特征，在正态分布假设下利用最大似然法或者贝叶斯估计法估计分布密度参数，建立最小错误率Bayes分类器，写出得到的决策规则，将该分类器应用到测试样本，考察测试错误情况。在分类器设计时可以考察采用不同先验概率（如0.5对0.5, 0.75对0.25, 0.9对0.1等）进行实验，考察对决策规则和错误率的影响。 图1-先验概率0.5:0.5分布曲线图2-先验概率0.75:0.25分布曲线 图3--先验概率0.9:0.1分布曲线图4不同先验概率的曲线 有图可以看出先验概率对决策规则和错误率有很大的影响。 程序：bayesflq1.m和bayeszcx.m 关（在正态分布下一定独立），在正态分布假设下估计概率密度，建立最小错误率Bayes 分类器，写出得到的决策规则，将该分类器应用到训练/测试样本，考察训练/测试错误情况。比较相关假设和不相关假设下结果的差异。在分类器设计时可以考察采用不同先验概率（如0.5 vs. 0.5, 0.75 vs. 0.25, 0.9 vs. 0.1等）进行实验，考察对决策和错误率的影响。 训练样本female来测试 图1先验概率0.5 vs. 0.5 图2先验概率0.75 vs. 0.25 图3先验概率0.9 vs. 0.1 图4不同先验概率 对测试样本1进行试验得图 《模式识别》大作业人脸识别方法 ---- 基于PCA 和欧几里得距离判据的模板匹配分类器 一、 理论知识 1、主成分分析 主成分分析是把多个特征映射为少数几个综合特征的一种统计分析方法。在多特征的研究中，往往由于特征个数太多，且彼此之间存在着一定的相关性，因而使得所观测的数据在一定程度上有信息的重叠。当特征较多时，在高维空间中研究样本的分布规律就更麻烦。主成分分析采取一种降维的方法，找出几个综合因子来代表原来众多的特征，使这些综合因子尽可能地反映原来变量的信息，而且彼此之间互不相关，从而达到简化的目的。主成分的表示相当于把原来的特征进行坐标变换（乘以一个变换矩阵），得到相关性较小（严格来说是零）的综合因子。 1.1 问题的提出 一般来说，如果N 个样品中的每个样品有n 个特征12,,n x x x ，经过主成分分析，将 它们综合成n 综合变量，即 11111221221122221122n n n n n n n nn n y c x c x c x y c x c x c x y c x c x c x =+++?? =+++?? ? ?=+++? ij c 由下列原则决定： 1、i y 和j y （i j ≠，i,j = 1,2,...n ）相互独立； 2、y 的排序原则是方差从大到小。这样的综合指标因子分别是原变量的第1、第2、……、 第n 个主分量，它们的方差依次递减。 1.2 主成分的导出 我们观察上述方程组，用我们熟知的矩阵表示，设12n x x X x ??????= ?????? 是一个n 维随机向量，12n y y Y y ??????=?????? 是满足上式的新变量所构成的向量。于是我们可以写成Y=CX,C 是一个正交矩阵，满足CC ’=I 。 坐标旋转是指新坐标轴相互正交，仍构成一个直角坐标系。变换后的N 个点在1y 轴上 Homework #2 Note:In some problem (this is true for the entire quarter) you will need to make some assumptions since the problem statement may not fully specify the problem space. Make sure that you make reasonable assumptions and clearly state them. Work alone: You are expected to do your own work on all assignments; there are no group assignments in this course. You may (and are encouraged to) engage in general discussions with your classmates regarding the assignments, but specific details of a solution, including the solution itself, must always be your own work. Problem: In this problem we will investigate the importance of having the correct model for classification. Load file hw2.mat and open it in Matlab using command load hw2. Using command whos, you should see six array c1, c2, c3 and t1, t2, t3, each has size 500 by 2. Arrays c1, c2, c3 hold the training data, and arrays t1, t2, t3 hold the testing data. That is arrays c1, c2, c3 should be used to train your classifier, and arrays t1, t2, t3 should be used to test how the classifier performs on the data it hasn’t seen. Arrays c1 holds training data for the first class, c2 for the second class, c3 for the third class. Arrays t1, t2, t3 hold the test data, where the true class of data in t1, t2, t3 comes from the first, second, third classed respectively. Of course, array ci and ti were drawn from the same distribution for each i. Each training and testing example has 2 features. Thus all arrays are two dimensional, the number of rows is equal to the number of examples, and there are 2 columns, column 1 has the first feature, column 2 has the second feature. (a)Visualize the examples by using Matlab scatter command a plotting each class in different color. For example, for class 1 use scatter(c1(:,1),c1(:,2),’r’);. Other possible colors can be found by typing help plot. (b)From the scatter plot in (a), for which classes the multivariate normal distribution looks like a possible model, and for which classes it is grossly wrong? If you are not sure how to answer this part, do parts (c-d) first. (c)Suppose we make an erroneous assumption that all classed have multivariate normal Nμ. Compute the Maximum Likelihood estimates for the means and distributions()∑, covariance matrices (remember you have to do it separately for each class). Make sure you use only the training data; this is the data in arrays c1, c2, and c3. (d)You can visualize what the estimated distributions look like using Matlab contour(). Recall that the data should be denser along the smaller ellipse, because these are closer to the estimated mean. (e)Use the ML estimates from the step (c) to design the ML classifier (this is the Bayes classifier under zero-one loss function with equal priors). Thus we are assuming that priors are the same for each class. Now classify the test example (that is only those 华南理工大学《模式识别》大作业报告 题目：模式识别导论实验 学院计算机科学与工程 专业计算机科学与技术（全英创新班） 学生姓名黄炜杰 学生学号201230590051 指导教师吴斯 课程编号145143 课程学分2分 起始日期2015年5月18日 实验概述 【实验目的及要求】 Purpose: Develop classifiers,which take input features and predict the labels. Requirement: ?Include explanations about why you choose the specific approaches. ?If your classifier includes any parameter that can be adjusted,please report the effectiveness of the parameter on the final classification result. ?In evaluating the results of your classifiers,please compute the precision and recall values of your classifier. ?Partition the dataset into2folds and conduct a cross-validation procedure in measuring the performance. ?Make sure to use figures and tables to summarize your results and clarify your presentation. 【实验环境】 Operating system:window8(64bit) IDE:Matlab R2012b Programming language:Matlab 模式识别上机作业 队别：研究生二队 姓名：孙祥威 学号：112082 作业一： 1{(0,0),(0,1)} ω=， 2{(1,0),(1,1)} ω=。用感知器固定增量法求判别函数，设 1(1,1,1) w=，1 k ρ=。写程序上机运行，写出判别函数，打出图表。 解答： 1、程序代码如下： clc,clear w=[0 0 1; 0 1 1; -1 0 -1; -1 -1 -1]; W=[1 1 1]; rowk=1; flag=1; flagS=zeros(1,size(w,1)); k=0; while flag for i=1:size(w,1) if isempty(find(flagS==0)) flag=0; break; end k=k+1; pb=w(i,:)*W'; if pb<=0 flagS(i)=0; W=W+rowk*w(i,:); else flagS(i)=1; end end end W,k wp1=[0 0; 0 1;]; wp2=[1 0; 1 1]; plot(wp1(:,1),wp1(:,2),'o') hold on plot(wp2(:,1),wp2(:,2),'*') hold on y=-0.2:1/100:1.2; plot(1/3*ones(1,size(y)),y,'r-') axis([-0.25 1.25 -0.25 1.25]) 2、判别函数。计算得到增广权矢量为*(3,0,1)T w =-，故判别函数表达式为： 1310x -+= 3、分类示意图： 图 1 感知器算法分类结果图 作业二： 在下列条件下，求待定样本(2,0)T x =的类别，画出分界线，编程上机。 1、二类协方差相等；2、二类协方差不等。 训练样本号k 1 2 3 1 2 3 特征1x 1 1 2 -1 -1 -2 模式识别作业 班级： 学号： 姓名： 一、实验内容 （1）了解与熟悉模式识别系统的基本组成和系统识别原理。 （2）使用增添特征法对特征进行提取与选择。 （3）编写MATLAB程序，对原始数据特征进行提取与选择，并选择适当的分类器对样本进行训练和分类，得出最后的分类结果以及识别正确率。二、实验原理 模式识别系统的原理图如下： 图1.模式识别系统原理图 对原始样本数据进行一些预处理，使用增添特征法进行特征提取与选择。增添特征法也称为顺序前进法（SFS），每次从未选择的特征中选择一个，使得它与已选特征组合后判据值J最大，直到选择的特征数目达到d。特征选取后用SVM分类器对随机选取的训练样本和测试样本进行分类，最后得出不同特征维数下的最高SVM分类正确率，以及不同特征维数下的最大类别可分性判据。 三、实验方法及程序 clear; clc; load('C:\Users\Administrator\Desktop\homework\ionosphere.mat'); m1=225;m2=126; p1=m1/(m1+m2);p2=m2/(m1+m2); chosen=[]; for j=1:34 [m,n]=size(chosen);n=n+1; J1=zeros(1,33); for i=1:34 Sw=zeros(n,n);Sb=zeros(n,n); S1=zeros(n,n);S2=zeros(n,n); p=any(chosen==i); if p==0 temp_pattern1=data(1:225,[chosen i]); temp_pattern2=data(226:351,[chosen i]); 人脸识别实验报告 ---- 基于PCA 和欧氏距离相似性测度 一、理论知识 1、PCA 原理 主成分分析(PCA) 是一种基于代数特征的人脸识别方法,是一种基于全局特征的人脸识别方法,它基于K-L 分解。基于主成分分析的人脸识别方法首次将人脸看作一个整体,特征提取由手工定义到利用统计学习自动获取是人脸识别方法的一个重要转变[1]。简单的说,它的 原理就是将一高维的向量,通过一个特殊的特征向量矩阵,投影到一个低维的向量空间中,表示为一个低维向量,并不会损失任何信息。即通过低维向量和特征向量矩阵,可以完全重构出所对应的原来高维向量。特征脸方法就是将包含人脸的图像区域看作是一种随机向量,因此,可以采用K-L 变换获得其正交K-L 基底。对应其中较大特征值的基底具有与人脸相似的形状,因此又称为特征脸。利用这些基底的线性组合可以描述、表达和逼近人脸图像,因此可以进行人脸识别与合成。识别过程就是将人脸图像映射到由特征脸张成的子空间上,比较其与己知人脸在特征空间中的位置,从而进行判别。 2、基于PCA 的人脸识别方法 2.1 计算特征脸 设人脸图像f(x,y)为二维N×M 灰度图像,用NM 维向量R 表示。人脸图像训练集为{}|1,2,...,i R i P =,其中P 为训练集中图像总数。这P 幅图像的平均向量为: _ 11P i i R R P ==∑ 对训练样本规范化,即每个人脸i R 与平均人脸_ R 的差值向量: i A =i R -_R (i= 1,2,…,P) 其中列向量i A 表示一个训练样本。 训练图像由协方差矩阵可表示为: T C AA = 其中训练样本NM ×P 维矩阵12[,,...,]P A A A A = 特征脸由协方差矩阵C 的正交特征向量组成。对于NM 人脸图像,协方差矩 题1：在一个10类的模式识别问题中，有3类单独满足多类情况1，其余的类别满足多类情况2。问该模式识别问题所需判别函数的最少数目是多少？ 答：将10类问题可看作4类满足多类情况1的问题，可将3类单独满足多类情况1的类找出来，剩下的7类全部划到4类中剩下的一个子类中。再在此子类中，运用多类情况2的判别法则进行分类，此时需要7*（7-1）/2=21个判别函数。故共需要4+21=25个判别函数。 题2：一个三类问题，其判别函数如下： d1(x)=-x1, d2(x)=x1+x2-1, d3(x)=x1-x2-1 1.设这些函数是在多类情况1条件下确定的，绘出其判别界面和每一个模式类 别的区域。 2.设为多类情况2，并使：d12(x)= d1(x), d13(x)= d2(x), d23(x)= d3(x)。绘出其 判别界面和多类情况2的区域。 3.设d1(x), d2(x)和d3(x)是在多类情况3的条件下确定的，绘出其判别界面和 每类的区域。 答：三种情况分别如下图所示： 1． 2． 3． 题3：两类模式，每类包括5个3维不同的模式，且良好分布。如果它们是线性可分的，问权向量至少需要几个系数分量？假如要建立二次的多项式判别函数，又至少需要几个系数分量？（设模式的良好分布不因模式变化而改变。） 答：（1）若是线性可分的，则权向量至少需要14N n =+=个系数分量； （2）若要建立二次的多项式判别函数，则至少需要5! 102!3! N = =个系数分量。 题4：用感知器算法求下列模式分类的解向量w : ω1: {(0 0 0)T, (1 0 0)T, (1 0 1)T, (1 1 0)T} ω2: {(0 0 1)T, (0 1 1)T, (0 1 0)T, (1 1 1)T} 解：将属于2w 的训练样本乘以(1)-，并写成增广向量的形式 x1=[0 0 0 1]',x2=[1 0 0 1]',x3=[1 0 1 1]',x4=[1 1 0 1]'; x5=[0 0 -1 -1]',x6=[0 -1 -1 -1]',x7=[0 -1 0 -1]',x8=[-1 -1 -1 -1]'; 迭代选取1C =，(1)(0,0,0,0)w '=，则迭代过程中权向量w 变化如下： (2)(0 0 0 1)w '=；(3)(0 0 -1 0)w '=；(4)(0 -1 -1 -1)w '=；(5)(0 -1 -1 0)w '=；(6)(1 -1 -1 1)w '=；(7)(1 -1 -2 0)w '=；(8)(1 -1 -2 1)w '=；(9)(2 -1 -1 2)w '=； (10)(2 -1 -2 1)w '=；(11)(2 -2 -2 0)w '=；(12)(2 -2 -2 1)w '=；收敛 所以最终得到解向量(2 -2 -2 1)w '=，相应的判别函数为123()2221d x x x x =--+。 题5：用多类感知器算法求下列模式的判别函数： ω1: (-1 -1)T ，ω2: (0 0)T ，ω3: (1 1)T黄庆明 模式识别与机器学习 第三章 作业
模式识别大作业02125128(修改版)
模式识别特征选择与提取
中科院模式识别第三次(第五章)_作业_答案_更多
模式识别-作业4
北邮模式识别课堂作业答案(参考)
模式识别作业(全)
模式识别作业2
神经网络大作业
模式识别大作业
《模式识别》大作业人脸识别方法
模式识别作业Homework#2
华南理工大学《模式识别》大作业报告
模式识别上机作业[1]培训课件
模式识别作业
中科院模式识别大作业——人脸识别
第三章作业(1)