利用K-L变换进行特征提取地实验报告.docVIP

基于K-L变换进行特征提取 1、基本要求 (1)不考虑类别信息对整个样本集进行K-L变换（即PCA），并将计算出的新特征方向表示在二维平面上，考察投影到特征值最大的方向后男女样本的分布情况并用该主成分进行分类。 (2)利用类平均向量提取判别信息，选取最好的投影方向，考察投影后样本的分布情况并用该投影方向进行分类。 2、原理阐述 第一部分主要是根据男女生100个数据作为一个数据集，然后求出对应的协方差，再求出协方差的特征值矩阵和特征向量。找出最大的特征值以及相对应的特征向量，再以该特征向量为变换矩阵，将每个数据乘以该特征向量，得到一维的数据，以100个一维数据使用Parzen窗口进行估计并分类。 第二部分是通过分别求出男女两类数据的协方差，Sw=（协方差1）/2+(协方差2)/2，求出sw=1/2*(sigma1+sigma2)，求出对应特征向量矩阵和特征值矩阵。分别求出两类的平均向量，以及总的平均向量avg，求出sb=cov([miu1;miu2])，j1=u1*sb*u1/D(1,1); j2=u2*sb*u2/D(2,2);比较两者的大小，取最大的J对应的特征向量进行变换。将100个数据换位一维数据，并且以100个一维数据使用Parzen窗口进行估计并分类。 3、实验结果 第一部分图一中将100个二维数据变换为一维数据，并且显示在两边的纵轴上。红色为女生，蓝色为男生，图二使用Parzen窗口函数对100个一维数进行分类。纵轴为0表示女生，为1表示男生。 图一 图二 第二部分图三中将100个二维数据变换为一维数据，并且显示在两边的纵轴上。红色为女生，蓝色为男生，图四使用Parzen窗口函数对100个一维数进行分类。纵轴为0表示女生，为1表示男生。 图三 图四 4、总结及心得 由实验结果可知：基于K-L变换的特征提取再分类使运算数据减少，考虑类别信息时，分类效果会受到的影响。 开始 开始 分别算出50个女生和50个男生的协方差。 算出50个女生和50个男生一起的协方差。 算出Sw值和特征值矩阵以及特征向量矩阵 算出特征向量矩阵和特征值的矩阵 在图上将变换后的点和用窗口函数显示分类。 y1=male*maxV; y2=female*maxV; y=x*maxV; 在图上将变换后的点和用窗口函数显示分类。 y1=male*maxV; y2=female*maxV; y=x*maxV; maxV=V(:,r(1)); 否 maxV=V(:,r(1)); 是 第一个特征值比第二个特征值大？ r==max([j1 j2])); r==max([j1 j2])); 是 J1比J2值大？ 算出Sb，J1，J2的值 将两个特征向量和原数据画出来 否 结束 结束