模式识别方法.pptx

模式识别方法;模式识别计算过程示意图;有监督模式识别（判别分析）;无监督模式识别（聚类分析）;常用术语;注意事项;模式识别的数据预处理 ;;;特征抽提;;模式间相似度的度量;马氏距离（Mahalanobis Distance）;马氏距离（Mahalanobis Distance） ;第14页/共49页;K-Nearest Neighbors Discrimination Method;K最近邻法考查未知样本点的K个近邻（K为单数整数），若近邻某一类样本最多，则可将未知样本判为该类。 为了进行定量判别，可先找出待分类样本的最近邻，并事先约定最近邻区域中的训练集样本数。如果只取一个最??邻样本点，即样本数为１，则称1NN法；如果取２个最近邻样本点，即样本数为2，则称2NN法；如果样本数为K，则称K近邻法，简称KNN法。;KNN算法;简化的KNN法—类重心法;;将上表数据进行归一化处理后计算两 类的重心得： C1=[-0.0103,0.0402,-0.0246,0.0166, 0.0313,-0.0246,-0.0174]′ C2=[0.0103,-0.0402,0.0246,-0.0166, -0.0313,0.0246,0.0174]′ 地层I、II的每一个矢量与C1和C2的距 离分别如表a和表b所示： ;;线性学习机法Linear learning machine—LLM;第23页/共49页;例：现有甲状腺病人（记为类1）和正常人（记为类2）各10例，分别测试5项功能指标，测试结果见表a和表b所示。以每一类的前8个 样本作为训练集（表a），后2个作为测试集（表b）。用LLM法对其进行判别。 ;;;;;第29页/共49页;基于主成分对近红外光谱进行discrimination analysis的方法原理;无监督模式识别法 ;常用聚类分析方法有： 分级聚类分析法—Hierarchical clustering methods 最小（大）生成树法—Minimun（Max） Spanning Tree Method K均值聚类法—K-means Clustering Method 模糊聚类法—Fuzzy clustering method PCA投影分类法等等;1? 基于PCA的聚类分析法;主成分分析的数学与几何意义示意图;Projection discrimination based onprincipal component analysis;2??基于相似统计量的分类方法;i) 若选出的一对样本在已形成的组中均未出现过，则将它们形成一个独立的新组。 ii) 若选出的一对样本中有一个在已经分好的组中出现过，则把另一个样品加入该组中。 iii) ?若选出的两对样品都分别出现在两个组中，则把这两个组合并为一个组。 iv) 若选出的一对样品都在同一组中则不需再分组。;;; 某铜镍矿床样品的聚类分析谱系图;;上图点与点之间的数据叫作路径强度，表示两样本点间的相似程度。如果一个路径的起点与终点重合，称这条路径构成一个回路，对于图中砍去某些边得到的树叫生成树。若某生成树所有路径的强度都大于或等于其它生成树的路径强度，则称此生成树为最大生成树。 只要找到相似关图的最大生成树，就可以根据最大生成树进行模糊聚类分析，其分类准则是：对于规定的阈值水平?，路径强度大于?的顶点可归为一类。;根据最大生成树进行聚类分析的方法如下： （1）先连接路径强度最大的两点，然后连接路径强度次大的两点； （2）继续连接所剩下点的最大路径强度的两点，直到所有的点都被连接； （3）对连接所得到的树进行检查，找到最小路径的边，将其割断就得到两类，如此继续分割，直至类数已达到所要分的类数。; ;模式识别在分析化学中的应用;计算机图谱解析技术： （1）数据库图谱显示方法—将大量已知化合物的图谱存入数据库，通过检索的方祛来识别谱图。 （2）模式识别法—利用已知谱图作训练集，对未知物的谱图作分类、鉴别以至结构测定等等(例如近红外仪软件中的定性分析软件）。 ;模式识别方法有某种“举一反三”的功能， 能从大量已知化合物图谱抽提具有较普遍意 义的规律，用来对未知化合物的谱图分类。 这使得模式识别方法在谱图解析、分析化学、 结构确定等方面有重要的实际意义。 迄今为止，质谱、原子光谱