模式识别课件(总顺序No8)(第五章NO1)(杨雅双)(071120)(非线性判别).ppt

第五章 非线性判别函数 5.1 分段线性判别函数的基本概念 特殊的非线性判别函数，其确定的决策面是由若干超平面段组成的。 它的基本组成仍是超平面，在超平面段较多时，能逼近各种形状的超曲面。 图5.1含线性判别函数、分段线性判别函数及二次判别函数。 一、基于与类心距离的分段线性判别函数 根据前述可知。当类条件概率密度函数为正态分布，各特征统计独立且方差相同时，Bayes决策规则具体为一个线性距离判别函数，特别是当 　 　时，决策规则为： 注：X到μ1的距离小于(或大于)X到μ2的距离时, μ为随机变量X的数学期望 决策面是两类期望（“中心点”）连线的垂直平分面。见图5.2，称最小距离分类器。 将均值（“重心”或“中心点”）作为各类的代表点，用距离作为判别函数进行分类。 但是在一些情况下，当类域是非单连通的或者一个类域有若干个模式相对密集的区域。此时，若仍用每一类只取一个点代表就不恰当了(因为这时若应用简单线性判别函数分类，则结果将会有很多错分。)，而应用那些样本较密集的子区的中心“联合”代表该类。 例如：图5.3，两类分布，　　　类都是多峰分布。 方法1：若把　　　 类的均值m1和m2作为代表类，得到分界面Ⅰ，则错分率较高。 方法2：如果每类取多个代表点， 如 类取两个代表点，m11，