2009模式识别试题含答案.docVIP

一 简答题（共6小题，每题8分，共48分） 1 简述模式识别系统的构成。 2 简述机器学习方法中随机训练、成批训练和在线训练的区别。 1）随机训练：模式是随机地从训练集中提取的，网络权值也根据不同的模式进行更新； 2）成批训练：所有的样本在训练前全部送往网络中； 3）在线训练：每个模式只被提供一次，不用存储器保存模式。 3 简述隐马尔可夫模型的三个核心问题。 1）估值：HMM的转移概率已知，计算这个模型产生一个特定观测值的概率； 2）解码：已知一个HMM和一个它所产生的观测序列，确定产生该观测序列最有可能的隐状态序列； 3）学习：只知一个HMM的大致结构，其转移概率都未知。如何从一组可见符号的序列中，决定这些参数 4 简述基于贝叶斯分类器的分类系统产生的最终分类误差的来源。 1）贝叶斯误差：不同类条件概率密度 之间的互相重叠引起的； 2）模型误差：选择了不正确的模型引起的； 3）估计误差：采用有限样本进行估计所带来的误差； 简单列举出三种度量距离的方法。 绝对值距离 欧几里德距离 明考夫斯基距离 6 具有d个输入单元、n个隐单元、c个输出单元以及偏置的一个标准三层反向传播网，网络中有多少权值？ 个权值；标准三层反响传播网如下图所示： 二 应用题（共4小题，每题13分，共52分） 1 （54页，12题）设为类别状态，此时对所有的，有。 （1）证明 （2）证明对于最小误差判定规则，平均误差概率为 2 （116页， 2题）令x具有均匀分布的概率密度： （1）假设n个样本点都独立地服从，证明对于的最大似然估计就是D中的最大值点max[D]. （2）假设n=5个样本点是从这个分布中抽取的，并且有=0.6.画出在区间0≤≤1上的似然函数。并且解释为什么此时不需要知道其余4个点的值。 3 （197，例1 现行判别函数5.8.1 例1） 用伪逆矩阵构造线性分类器，分类两类二维点，并给出图示结果。 4 假设在某个局部地区细胞识别正常和异常两类的先验概率分别为： 正常状态： 异常状态： 现有一待识别的细胞，其观察值为，从类条件概率密度分布曲线上查得 并且已知 试对该细胞用以下两种方法进行分类：①基于最小错误率的贝叶斯决策；②基于最小风险的贝叶斯决策。请分析两种分类结果的异同及原因。 《模式识别》试题 第 5 页 共 6 页