模式识别基础实验报告2012.doc

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，=0function y=func(x) y1=normpdf(x,-2,0.5); %正态分布函数 y2=normpdf(x,2,4); pw1=0.9; %正常状态的概率 pw2=0.1; %异常状态的概率 m11=0;m12=6;m21=1;m22=0; p1=y1*pw1/(y1*pw1+y2*pw2); %后验概率计算 p2=y2*pw2/(y1*pw1+y2*pw2); r1=p1*m11+p2*m12; %条件风险计算 r2=p1*m21+p2*m22; plot(x,p1,b*),hold on plot(x,p2,r+),hold on grid on legend(第一类的后验概率,第二类的后验概率) if r1r2 %根据最小风险贝叶斯决策判断 x,disp(此细胞为正常细胞) y=1; end if r1r2 x,disp(此细胞为不正常细胞) y=2; end 程序运行 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]; y=zeros(4,6); disp(识别过程的结果如下：); for i=1:4 for j=1:6 y(i,j)=func(x(i,j)); end end disp(y中正常细胞为“1”，不正常细胞为“2”); y 结果 识别过程的结果如下： x = -3.9847 此细胞为不正常细胞 x = -3.5549 此细胞为不正常细胞 x = -1.2401 此细胞为正常细胞 x = -0.9780 此细胞为正常细胞 x = -0.7932 此细胞为不正常细胞 x = -2.8531 此细胞为正常细胞 x = -2.7605 此细胞为正常细胞 x = -3.7287 此细胞为不正常细胞 x = -3.5414 此细胞为不正常细胞 x = -2.2692 此细胞为正常细胞 x = -3.4549 此细胞为不正常细胞 x = -3.0752 此细胞为正常细胞 x = -3.9934 此细胞为不正常细胞 x = 2.8792 此细胞为不正常细胞 x = -0.9780 此细胞为正常细胞 x = 0.7932 此细胞为不正常细胞 x = 1.1882 此细胞为不正常细胞 x = 3.0682 此细胞为不正常细胞 x = -1.5799 此细胞为正常细胞 x = -1.4885 此细胞为正常细胞 x = -0.7431 此细胞为不正常细胞 x = -0.4221 此细胞为不正常细胞 x = -1.1186 此细胞为正常细胞 x = 4.253