北科大模式识别基础实验报告.docVIP

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PC微机一台和MATLAB软件。 实验原理，，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，=0x=?[-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))? ?pw2_plot(j)=(pw2*normpdf(a(j),e2,a2))/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf(a(j),e2,a2))?? end?? figure(1)?? hold?on?? plot(a,pw1_plot,k-,a,pw2_plot,r-.)?? for?k=1:m?? ????if?result(k)==0??? ????????plot(x(k),-0.1,b*)?%正常细胞用*表示 ??else?? ????????plot(x(k),-0.1,rp)?%异常细胞用五角星表示 ?end;?? end;? legend(正常细胞后验概率曲线,异常细胞后验概率曲线,正常细胞,异常细胞)?? xlabel(样本细胞的观察值)?? ylabel(后验概率)?? title(后验概率分布曲线)?? grid?on?? return?? 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