模式识别实验报告(一二).docVIP

信息与通信工程学院 模式识别实验报告 班 级： 姓 名： 学 号： 日 期： 2011年12月 实验一、Bayes分类器设计 一、实验目的： 1.对模式识别有一个初步的理解 2.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 3.理解二类分类器的设计原理 二、实验条件： 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，，i=1,…，c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： 　　　　j=1,…，x 2)利用计算出的后验概率及决策表，按下面的公式计算出采取,i=1,…，a的条件风险 　　,i=1,2,…,a 3)对(2)中得到的a个条件风险值,i=1,…，a进行比较，找出使其条件风险最小的决策，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：P（）=0.9； 异常状态：P（）=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 -2.8531 -2.7605 -3.7287 -3.5414 -2.2692 -3.4549 -3.0752 -3.9934 2.8792 -0.9780 0.7932 1.1882 3.0682 -1.5799 -1.4885 -0.7431 -0.4221 -1.1186 4.2532 已知先验概率是的曲线如下图： 类条件概率分布正态分布分别为（-2，0.25）（2,4）试对观察的结果进行分类。 五、实验步骤： 1.用matlab完成分类器的设计，说明文字程序相应语句，子程序有调用过程。 2.根据例子画出后验概率的分布曲线以及分类的结果示意图。 3.最小风险贝叶斯决策，决策表如下： 状态 决策 α1 0 6 α2 1 0 重新设计程序，完成基于最小风险的贝叶斯分类器，画出相应的后验概率的分布曲线和分类结果,并比较两个结果。 六、实验代码 1.最小错误率贝叶斯决策(m1.m) 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 -3.9934 2.8792 -0.9780 0.7932 1.1882 3.0682 -1.5799 -1.4885 0.7431 -0.4221 -1.1186 4.2532 ] pw1=0.9; pw2=0.1; e1=-2; a1=0.5; e2=2;a2=2; m=numel(x); %得到待测细胞个数 pw1_x=zeros(1,m); %存放对w1的后验概率矩阵 pw2_x=zeros(1,m); %存放对w2的后验概率矩阵 results=zeros(1,m); %存放比较结果矩阵 for i = 1:m %计算在w1下的后验概率 pw1_x(i)=(pw1*normpdf(x(i),e1,a1))/(pw1*normpdf(x(i),e1,a1)+pw2*normpdf(x(i),e2,a2)) ; %计算在w2下的后验概率 pw2_x(i)=(pw2*normpdf(x(i),e2,a2))/(pw1*normpdf(x(i),e1,a1)+pw2*normpdf(x(i),e2,a2)) ; end for i = 1:m if pw1_x(i)pw2_x(i) %比较两类后验概率 result(i)=0; %正常细胞 else result(i)=1; %异常细胞 end end a=[-5:0.05:5]; %取样本点以画图 n=numel(a); pw1_plot=zeros(1,n); pw2_plot=zeros(1,n); for j=1:n pw1_plot(j)=(pw1*normpdf(a(j),e1,a1))/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf(a(j),e2,a2)); %计算每个样本点对w1的后验概率以画图 pw2_plot(j)=(pw2*normpdf(a(j),e2,a2))/(pw1*normpdf(a(j),e1,a1)+p