- 1、本文档共3页,可阅读全部内容。
- 2、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。
- 3、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。
- 4、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
模式识别 复习要点 北京化工大学
复习要点
绪论
1、举出日常生活或技术、学术领域中应用模式识别理论解决问题的实例。
2、若要实现汽车车牌自动识别,你认为应该有哪些处理步骤?分别需要哪些模
式识别方法?试用流程图予以说明。
统计决策
3、最小错误率贝叶斯决策方法与最小风险贝叶斯决策方法
4、正态分布下最小错误率决策与Neyman-Pearson 决策方法
1 2
(1)假设在某个地区的细胞识别中正常 和异常 两类的先验概率分别为
P() 0.9
正常状态 : 1
P( ) 0.1
异常状态: 2
x p (x ) 0.2 , p (x ) 0.4
现有一待识的细胞,其观测值为 ,从类条件概率密度分布曲线上查得 1 2
并且已知损失系数为 =0, =1, =6, =0。试对该细胞以以下两种方法进行分类:①基于最小错误概
11 12 21 22
率准则的贝叶斯判决;②基于最小风险的贝叶斯判决。
(2)已知两个一维模式类别的类概率密度函数为
2x , 0 x 1
p (x |)
1 0, 其它
2 2x , 0 x 1
p (x | )
2 0 , 其它
先验概率P()=P(),损失函数, = =0, =0.6, =0.4。对于这个两类一维问题,若这两类的类概
1 2 11 22 12 21
2 2
率密度分别服从正态分布N(0,)和 N(1,),证明使平均决策风险最小的决策阈值为
1 2 P( )
x ln 21 2
0
2 P( )
12 1
(x )2
1 [ 2 ]
p (x) e 2
这里,假设风险函数 = =0 。一维正态分布: 2
11 22
概率密度函数估计
5、最大似然估计方法与贝叶斯估计方法
6、Parzen 窗法
2
(3)试用最大似然估计的方法估计单变量正态分布的均值 和方差 。
线性分类器与非线性分类器
7、
文档评论(0)