原创力文档- 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、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、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)。
查看更多
实验一 Bayes分类器的设计
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。
实验条件：
1. PC微机一台和MATLAB软件。
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，找出使条件风险最小的决策，即：
，
则就是最小风险贝叶斯决策。
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 -2.8531
-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
类条件概率分布正态分布分别为（-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。
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：
实验二 基于Fisher准则的线性分类器设计
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。
实验条件：
1. PC微机一台和MATLAB软件。
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，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，
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：
=0.2331 1.5207 0.6499 0.7757 1.0524 1.1974
0.2908 0.2518 0.6682 0.5622 0.9023 0.1333
-0.5431 0.9407 -0.2126 0.0507 -0.0810 0.7315
0.3345 1.0650 -0.0247 0.1043 0.3122 0.6655
0.5838 1.1653 1.2653 0.8137 -0.3399 0.5152
0.7226 -0.2015 0.4070 -0.1717 -1.0573 -0.2099
=2.3385 2.1946 1.6730 1.6365 1.7844 2.0155
2.0681 2.1213 2.4797 1.5118 1.9692 1.8340
1.8704 2.2948 1.7714 2.3939 1.5648 1.9329
2.2027 2.4568 1.7523 1.6991 2.4883 1
文档评论（0）