【 数学建模竞赛】蠓虫分类.docVIP

蠓虫分类 解：（1）Bayes判别：求条件概率 假设假设两类数据均服从二维正态分布，， 则条件概率为： 决策规则为; 或等价地: 判决函数： 类似地，Bayes最小风险判别可通过给出风险后得到。 x=[1.20 1.30 1.18 1.14 1.26 1.28 1.36 1.48 1.40 1.38 1.24 1.38 1.54 1.38 1.56 1.24 1.28 1.40 1.22 1.36; 1.86 1.96 1.78 1.78 2.00 2.00 1.74 1.82 1.70 1.90 1.72 1.64 1.82 1.82 2.08 1.80 1.78 2.04 1.88 1.78]; n1=6;n2=9;n3=5; plot(x(1,1:n1),x(2,1:n1),o,x(1,n1+1:n1+n2),x(2,n1+1:n1+n2),*,x(1,n1+n2+1:end),x(2,n1+n2+1:end),r+); mm1=sum(y(1:n1))/n1; mm2=sum(y(n1+1:n1+n2))/n2; sgm1=cov(x(:,1:n1)); %=s1/(n1-1); sgm2=cov(x(:,n1+1:n1+n2)); X=x(:,n1+n2+1:end); X=X; pxw1= mvnpdf(X, m1, sgm1); pxw2= mvnpdf(X, m2, sgm2); pwx1=pxw1./(pxw1+pxw2); pwx2=pxw2./(pxw1+pxw2); display(Using Bayes principal is:) Apf=find(pwx1pwx2)+n1+n2, （2）Fisher判别：求投影方向w* 准则函数： 其中 最优解： m1=mean(x(:,1:n1),2); m2=mean(x(:,n1+1:n1+n2),2); s1=(x(:,1:n1)-repmat(m1,1,n1))*(x(:,1:n1)-repmat(m1,1,n1)); s2=(x(:,n1+1:n1+n2)-repmat(m2,1,n2))*(x(:,n1+1:n1+n2)-repmat(m2,1,n2)); S=s1+s2; w=inv(S)*(m1-m2); y=w*x; mm1=sum(y(1:n1))/n1; mm2=sum(y(n1+1:n1+n2))/n2; y0=(mm1+mm2)/2; %y0=(mm1*n1+mm2*n2)/(n1+n2); dpyb=y(n1+n2+1:end); display(Using fisher principal is:) Apf=find(dpyby0)+n1+n2, figure(2); t=1.1:0.01:1.6; kkk=-w(1)/w(2); ft=kkk*t+y0/w(2); plot(x(1,1:n1),x(2,1:n1),o,x(1,n1+1:n1+n2),x(2,n1+1:n1+n2),*,x(1,n1+n2+1:end),x(2,n1+n2+1:end),r+,t,ft); axis([1.1,1.6,1.6,2.1]); 感知器准则及梯度下降算法： 样本的增广化： 样本的规范增广化： （仍记为） 目标：求 使 梯度下降法： 批处理感知器算法 固定增量单样本感知器 %peceptron x1=[ones(1,length(x));x]; x1(:,n1+1:n1+n2)=-x1(:,n1+1:n1+n2); epsl=0.1; a=1-2*rand(3,1); k=0; while k100000 k=k+1; y=x1(:,rem(k,n1+n2)+1); if a*yepsl a=a+y; end end y1=a*x1(:,1:n1+n2); ind=find(y1=0); display(the samples for first class using peceptron principal is:) Apf=find(a*x1(:,n1+n2+1:end)0) pt=-a(2)*t/a(3)-a(1)/a(3); figure(3), plot(x(1,1:n1),x(2,1:n1),o,x(1,n1+1:n1+n2),x(2,n1+1:n1+n2),*,x(1,n1+n2+1:end),x(2,n1+n2+1:end),r+,t,[pt,ft]); 最小平方误差准则： 设 其中， 目标： min 目标函数的梯度： 令 %MSE b=ones(n1+n2,1); Y=x1(:,1:n1+n2); Y=Y; Yplus=(Y*Y