哈工大模式识别课件.pptVIP

哈工大模式识别课件.ppt

此“教育”领域文档为创作者个人分享资料,不作为权威性指导和指引,仅供参考
  1. 1、本文档共10页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  5. 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  6. 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  7. 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  8. 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多

模式识别授课教师:刘家锋

第一章绪论

一、模式识别的概念什么是模式识别?模式识别研究的内容?

二、模式识别的应用工业用途:产品质量检验,设备故障检测,智能机器人的感知系统;商业用途:钱币的自动识伪,信函的自动分拣,电话信息查询,声控拨号;医学用途:对心电、脑电、CT等信号进行处理和识别,自动进行疾病的诊断;安全领域:生理特征鉴别(Biometrics),网上电子商务的身份确认,对公安对象的刑侦和鉴别;

二、模式识别的应用军事领域:巡航导弹的景物识别,战斗单元的敌我识别;办公自动化:文字识别技术和声音识别技术;数据挖掘:数据分析;网络应用:文本分类。

三、相关领域人工智能:ArtificialIntelligence(AI)模式识别:PatternRecognition(PR)机器学习:MachineLearning人工神经网络:NeuralNetwork(NN)计算机视觉:ComputerVision(CV)

四、模式识别的过程

什么是特征?

什么是特征?

什么是特征?

特征抽取

特征抽取

特征的分布

特征的分布

五、模式识别系统分类训练

六、模式识别问题的描述给定一个训练样本的特征矢量集合:分别属于c个类别:设计出一个分类器,能够对未知类别样本x进行分类

分类方法

模式识别方法的分类有监督学习(有教师学习):预先已知训练样本集中每个样本的类别标号;无监督学习(无教师学习):预先不知道训练样本集中每个样本的类别标号;

七、参考书目RichardDuda,PeterHart,DavidStork,PatternClassification,2ndedition,JohnWiley,2001《模式分类》,机械工业出版社,RichardO.Duda《模式识别》(第二版),清华大学出版社,边肇祺,张学工;

期刊IEEETransactiononPatternAnalysisandMachineIntelligence,PAMI;PatternRecognition;PatternRecognitionLetter;模式识别与人工智能;讲义下载: 22 用户名:prai 密码:prai

第二章贝叶斯决策理论

2.1最小错误率准则

各种概率及其关系先验概率:后验概率:类条件概率:贝叶斯公式:

两个类别,一维特征

两类问题的错误率观察到特征x时作出判别的错误率:两类问题最小错误率判别准则:

多类问题最小错误率判别x属于ωi的错误率:判别准则为:则:

贝叶斯最小错误率准则Bayes判别准则:,则

贝叶斯分类器的错误率估计

例2.1对一大批人进行癌症普查,设ω1类代表患癌症,ω2类代表正常人。已知先验概率: 以一个化验结果作为特征x:{阳性,阴性},患癌症的人和正常人化验结果为阳性的概率分别为: 现有一人化验结果为阳性,问此人是否患癌症?

2.2最小平均风险准则贝叶斯分

类器问题的提出有c个类别ω1,ω2,...,ωc,将ωi类的样本判别为ωj类的代价为λij。将未知模式x判别为ωj类的平均风险为:

最小平均风险判别准则利用Bayes公式,构造判别函数:

贝叶斯分类器

例2.2对一大批人进行癌症普查,设ω1类代表患癌症,ω2类代表正常人。已知先验概率: 以一个化验结果作为特征x:{阳性,阴性},患癌症的人和正常人化验结果为阳性的概率分别为: 判别代价:λ11=0,λ22=0,λ12=100,λ21=25 现有一人化验结果为阳性,问此人是否患癌症?

2.3贝叶斯分类器的其它版本先验概率P(ωi)未知:极小化极大准则;约束一定错误率(风险):Neyman-Pearson准则;某些特征缺失的决策:连续出现的模式之间统计相关的决策:

2.4正态分布的贝叶斯分类器单变量正态分布密度函数(高斯分布):

多元正态分布函数

正态分布的判别函数贝叶斯判别函数可以写成对数形式:类条件概率密度函数为正态分布时:

情况一:判别函数可以写成:此分类器称为距离分类器,判别函数可以用待识模式x与类别均值μi之间的距离表示:

情况二:判别函数可以写成:可以简化为: 称为线性分类器

线性分类器两类问题,1维特征,先验概率相同时:

线性分类器两类问题,高维特征,先验概率相同时:

线性分类器两类问题,1维特征,先验概率不同时:

线性分类器两类问题,高维特征,先验概率不同时:

情况三:任意判别函数可以写成:分类界面为2次曲线(面)

二次分类曲线

二次分类曲面

第三章

文档评论(0)

136****0506 + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档