模式识别project有程序有报告.doc

学号：2004211200 工程物理系研11 姓名：*** 模式识别project 第一部分 内容概述：通过设计线性分类器；最小风险贝叶斯分类器；监督学习法分层聚类分析；K－L变换提取有效特征，设计支持向量机对给定样本进行有效分类并分析结果。 利用合适的特征设计线性分类器区分汽车和背景两类数据，并分析结果。 1.进行训练样本集和测试样本集的划分:将所给的n个样本随机的分成两个子集，每个子集有n/2个样本。利用其中的一个子集作为训练样本集设计分类器，然后用另一个子集进行测试，计算错误率。随机选取多次，求出平均错误率，作为性能指标。 2．每个样本的特征有252个，其中前12个为第四层高频系数，中间48个是第三层高频系数，后192个是第二层高频系数。所以可以考虑从252维特征中选取不同的多个特征，分析其各自的分类效果，进行比较。 内容： 1.编写子程划分训练样本集和测试集，调用该子程将所给的每类样本数据划分成250个训练样本和250个测试样本两类。 实现：通过随机数函数，产生随机数组下标，达到随机划分两类样本集的目的。 %随机划分训练样本集和测试样本集 function [name_tr,name_test]=randQ(x) j=1;k=1; tr(250,252)=0; test(250,252)=0; for i=1:500 if(rand=0.5) if (j250) for a=1:252 test(k,a)=x(i,a); end k=k+1; else for a=1:252 tr(j,a)=x(i,a); end j=j+1; end else if(k250) for a=1:252 tr(j,a)=x(i,a); end j=j+1; else for a=1:252 test(k,a)=x(i,a); end k=k+1; end end end name_tr=tr; name_test=test; 2.要求自行选择特征，设计线性分类器把汽车和背景两类数据区分。 选用最小欧式距离判别准则设计线性分类器： ； ； 判别函数： ； ； 源代码： ％根据最小欧式距离判别准则设计线性分类器 load vehicle; load background; for j=1:10 k_s=1; k_d=252; vec_tr(250,252)=0; vec_test(250,252)=0; [vec_tr,vec_test]=randQ(vehicle); randQ(background); bg_tr(250,252)=0; bg_test(250,252)=0; [bg_tr,bg_test]=randQ(background); M_vec=vec_tr(1,k_s:k_d); for i=2:250 M_vec=M_vec+(vec_tr(i,k_s:k_d)); end M_vec=M_vec/250; M_bg=bg_tr(1,k_s:k_d); for i=2:250 M_bg=M_bg+(bg_tr(i,k_s:k_d)); end M_bg=M_bg/250; d_vec=(M_vec*M_vec)/2; d_bg=(M_bg*M_bg)/2; ％求取分类器对应的各参数 flag_vec(250)=0; flag_bg(250)=0; dk_vec=0; dk_bg=0; for i=1:250 dk_vec=vec_test(i,k_s:k_d)*M_vec-d_vec; ％设计线性分类器 dk_bg=vec_test(i,k_s:k_d)*M_bg-d_bg; if(dk_vec=dk_bg) flag_vec(i)=1; else flag_vec(i)=0; end end s1_vec=sum(flag_vec); for i=1:250 dk_vec=bg_test(i,k_s:k