模式识别4次作业总.docVIP

北京工商大学 模式识别作业汇总 （2014年秋季学期） 课程名称：模式识别 专业班级：计研141班 学生姓名：董文菲 刘倩 指导教师：于重重 成绩： 2015年1月20日 第一次课的作业 在Matlab 环境下，利用第一题中给了matlab程序，尝试声音识别过程，并把程序流程图画出。 解：程序实现了识别“kiss”与“love”两个声音的界面图。程序流程图如下： 运行网址 http://www.wcl.ece.upatras.gr/en/ai/resources/demo-emotion-recognition-from-speech 上的java applet ，了解声音识别的过程。 解：智能对话系统的测试点如下图所示， 该智能对话系统可以通过语音交互获取信息，控制娱乐设备等智能应用。情感识别的构成如下图： 情感识别依赖于先进的音频参数化技术，利用高斯混合模型训练情绪识别模型。目前负面情绪的识别得到了很好的结果。 3. 选择鸢尾花数据集（iris，网上下载），并尽可能多地使用《数据挖掘导论第三章》介绍的不同的可视化技术完成数据预处理（可参看第三章资料中的辅助ppt），形成报告。文献注释和该书网站提供了可视化软件的线索。 解：（1）分类 选择朴素贝叶斯分类器算法，训练选项选择交叉验证，即把数据集分成若干份，1份作为验证集，其余部分作为训练集合。这样的方法保证了数据集的所有元素都被验证过。这里把数据集分为10份来进行训练。 分类器运行的信息，分类器训练的结果，分类器验证验证的结果、准确性计算等信息如下： Visualize信息图，3种类别用不同颜色表示出来。可以从图中看出哪些属性的组合具有较好的区分度。 离散化(discretize): 类weka.filters.supervised.attribute.Discretize和weka.filters.unsupervised.attribute.Discretize。分别进行监督和无监督的数值属性的离散化，用来离散数据集中的一些数值属性到分类属性。 unsupervised.attribute.Discretize: supervised.attribute.Discretize 规范化(Nomalize): 类weka.filters.unsupervised.attribute.Normalize。规范化给定数据集中的所有数值属性值，类属性除外。结果值默认在区间[0,1]，但是利用缩放和平移参数，我们能将数值属性值规范到任何区间。如：但scale=2.0，translation=-1.0时，你能将属性值规范到区间[-1,+1]。 标准化(standardize)： 类weka.filters.unsupervised.attribute.Standardize。标准化给定数据集中所有数值属性的值到一个0均值和单位方差的正态分布。 第二次课的作业 请查一下这里列出来的所有方法，并用实例实现（并在软件中实施一下，任何软件环境都可以。）1. 请查一下这里列出来的所有方法，并用实例实现（并在软件中实施一下，任何软件环境都可以。） 解：属性有四种类型：标称、序数、区间、比率。其中标称和序数属性统称分类的或定性的。区间和比率是数值的或定量的。 1）众数 一组数据中出现次数最多的数据就是这组数据的众数。 2）x2检验 亦称卡方检验。统计学中假设检验的方式之一。x是一个希腊字母，x2可读音为卡方，所以译为卡方检验。卡方检验主要用于定类或定序变量的假设检验，在社会统计中应用非常广泛。 卡方检验的步骤一般为： （1）建立假设，确定显著水平a与自由度df、查x2值表得到否定域的临界值； （2）由样本资料计算x2值； （3）将计算所得的x2值与临界x2值（负值都取绝对值）作比较，若计算值大于临界值，则否定Ⅱ0；反之，则承认Ⅱ0。 计算卡方值的公式一般可表示为： x2=∑[（fo—fc）2/fc] 式中：fo表示实际所得的次数，fc表示由假设而定的理论次数，∑为加总符号。 x2检验对于定类与定类或定类与定序变量之间的相关检验应用较多。 例：用卡方检验拟合优度： [h,p,st] = chi2gof(bins,ctrs,bins,... frequency,obsCounts, ... expected,expCounts) bin：有n组数值则:bin=0:（n-1）； obsCounts：观测值 expCounts：期望值 h,p,st：返回值 3）符号检验 符号检验法：是通过两个相关样本的每对数据之差的符号进行检验，从而比较两个样本的显著性。具体地讲，