1011 05 模式识别.pptVIP

  1. 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
  2. 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  4. 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  5. 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  6. 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  7. 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
第2章 知识表示 5.2 统计模式识别 5.2.1 距离分类法  1. 标准模式法   设由训练样例可获得c个模式类 1,  2,…,  c,且可获得各个模式类的标准模式M1, M2,…, MC。那么,对于待识模式X,可通过计算其与各标准模式的距离d(X, Mi) (i=1,2,…,c)来决定它的归属。具体分类规则为: d(X, Mj)=min d(X, Mi) Xj i=1,2,…,c (5-1) 即与X距离最小的标准模式所属的模式类即为X的所属模式类。   如果模式类 1,  2,…,  c无标准模式,则可用平均距离法或最临近法进行分类判决。  2. 平均距离法   平均距离法就是将待识模式X与模式类ωi (i=1,2,…,c) 中所有样例模式的距离平均值作为与X的距离,然后以距离最小的模式类作为X的类属。分类规则可描述为: (5-2) 其中, (k=1, 2, …, c), sk为模式类ωk中的样例模式数。   3. 最临近法   最临近法是将与待识模式X距离最近的一个样例模式的模式类作为X的类属。分类规则可描述为 (5-3) ? 其中,   sk为模式类ωk中的样例模式数。 5.2.2 几何分类法  一个模式类就是相应特征空间中的一个点集。一般来讲,在特征空间中一个模式类的点集总是在某种程度上与另一个模式类的点集相分离。因此,模式识别的另一个思路就是设法构造一些分界面(线),把特征空间Rn分割成若干个称为决策区域的子空间Ri (i=1,2,…,n),使得一个模式类刚好位于一个决策区域。这样,对于待识模式X,就可以利用空间中的这些分界面来判定X的类属。分界面(线)方程gi(X)=0中的函数gi(X)称为判别函数。显然,构造分界面的关键就是构造其判别函数。   分界面(线)可分为平面(直线)和曲面,相应的判别函数为线性函数和非线性函数。下面我们介绍分界平面和线性判别函数。 对于二分类问题, 显然只需一个分界平面。设判别函数为 g(X)=WTX+w0 其中W= (w1, w2,…, wn)T为X中各分量x1, x2,…, xn的系数组成的向量,称为权向量;w0为一个常数,称为阈值权。那么,分界平面方程为 g(X) = WTX+w0= 0 由几何知识知,位于这个分界平面两边的点X的判别函数值g(X)符号相反。于是, 可有分类规则: g(X)0 X1 g(X)0 X2 g(X)=0 X属于1或2,或者不可判别 (5-4) 图 5-3 二分类问题的分界面(线)示意   例5.1,设对于3维特征空间R3有一个线性可分的二分类问题,其判别函数为g(x, y, z)= 8-x-2y-4z。则相应的类别分界面如图5-4所示。于是,对于待识模式p1=(1, 1, 1),有 g(1, 1, 1)=10 所以,模式p1应属于类1;而对于待识模式p2=(2, 2, 2),有 g(2, 2, 2)= -60 因此,模式p2应属于类2。 图 5-4 3维特征空间R3的二分类问题分界  对于多分类问题有以下三种方法。  (1)对每一个模式类i与其余的模式类设计一个分界平面gi(X)= WiTX+wi0= 0,即构造一个线性判别函数gi(X)= WiTX+wi0,使得 于是,有分类规则 (5-5)   (2)在每两个类之间设计一个分界平面   gij(X) =WijTX+wij0=0,即构造一个线性判别函数     gij(X) = WijTX+wij0,使得,对于    ,有gij(X)0。从而,有分类规则   gij(X)0, (5-6)   可以算得, 对于一个c分类问题, 采用该方法时需要设计c(c-1)/2个分界平面。   (3)对于一个c分类问题构造c个线性判别函数  gi (X) = WiTX+wi0,使得 gi (X) gj (X), 从而有分界平面 gi (X)= gj (X) 亦即 gi (X) - gj (X)=0 在这种情况下的分类规则为 gij(X)= gi (X) - gj (X) 0, (5-7) 或者 gi (X) gj (X),   上面的分类方法只给出了判别函数的形式,即都是线性的判别函数,但其中的变量系数即权向量W= (w1, w2,…, wn)T和w0还为未知。所以,对于一个实际模式识别问题,还需要确定这些参数。确定参数wi的方法就是利用样例模式通过机器学习来求得。由于人们总是希望能得到尽可能好的参数值。为此,又引入了准则函数的概念。利用准则函数,参数wi的优化问题又转化为准则函数的极值问题。 5.2.3 概率分类法   1. 基于最小错误率的贝叶斯决策   因为模式属于哪一模式类

文档评论(0)

yan698698 + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档