模式识别第二章线性判别函数法.pptVIP

写成矩阵形式为：令N×(n+1)的长方矩阵为X，则变为：第62页，共124页，星期日，2025年，2月5日式中：0为零向量感知器算法是通过解不等式组，求出W。第63页，共124页，星期日，2025年，2月5日2.LMSE算法1)原理的求解。式中：∴两式等价。为各分量均为正值的矢量。LMSE算法把对满足XW0的求解，改为满足①在方程组中当行数列数时，通常无解，称为矛盾方程组，一般求近似解。在模式识别中，通常训练样本数N总是大于模式的维数n，因此方程的个数(行数)模式向量的维数(列数)，是矛盾方程组，只能求近似解W*，即说明：第64页，共124页，星期日，2025年，2月5日②LMSE算法的出发点：选择一个准则函数，使得当J达到最小值时，XW=B可得到近似解（最小二乘近似解）。③LMSE算法的思路：转化为转化为准则函数定义为：“最小二乘”：——最小：使方程组两边误差最小，也即使J最小。——二乘：次数为2，乘了两次最小平方（误差算法）第65页，共124页，星期日，2025年，2月5日考察向量(XW－B)有：第66页，共124页，星期日，2025年，2月5日可以看出：①当函数J达到最小值，等式XW=B有最优解。即又将问题转化为求准则函数极小值的问题。②因为J有两个变量W和B，有更多的自由度供选择求解，故可望改善算法的收敛速率。XW=B的近似解也称“最优近似解”：——使方程组两边所有误差之和最小（即最优）的解。准则函数：第67页，共124页，星期日，2025年，2月5日使J对W求最小，令，得：2)推导LMSE算法递推公式与问题相关的两个梯度：(3-46)(3-47)由(3-47)式可知：只要求出B，就可求出W。求递推公式：(1)求W的递推关系X为N×(n+1)长方阵，X#为(n+1)×N长方阵。称为X的伪逆，式中：(3-45)第68页，共124页，星期日，2025年，2月5日(2)求B(k+1)的迭代式(3-46)代入，得令，定义(3-49)(3-50)(3-46)利用梯度算法公式有：第69页，共124页，星期日，2025年，2月5日(3)求W(k+1)的迭代式将(3-50)代入(3-47)式W=X#B有：=0(3-49)(3-50)第70页，共124页，星期日，2025年，2月5日总结：设初值B(1)，各分量均为正值，括号中数字代表迭代次数。……W(k+1)、B(k+1)互相独立，先后次序无关。……求出B，W后，再迭代出下一个e，从而计算出新的B，W。或另一算法：先算B(k+1)，再算W(k+1)。第71页，共124页，星期日，2025年，2月5日3）模式类别可分性判别②如果e(k)0，表明XW(k)B(k)0，隐含有解。继续迭代，可使e(k)→0。③如果e(k)0（所有分量为负数或零，但不全为零），停止迭代，无解。此时若继续迭代，数据不再发生变化。可以证明：当模式类线性可分，且校正系数c满足时，该算法收敛，可求得解W。理论上不能证明该算法到底需要迭代多少步才能达到收敛，通常在每次迭代计算后检查一下XW(k)和误差向量e(k)，从而可以判断是否收敛。①如果e(k)=0，表明XW(k)=B(k)0，有解。分以下几种情况：第72页，共124页，星期日，2025年，2月5日情况③分析：e(k)0第73页，共124页，星期日，2025年，2月5日综上所述：只有当e(k)中有大于零的分量时，才需要继续迭代，一旦e(k)的全部分量只有0和负数，则立即停止。事实上，往往早在e(k)全部分量都达到非正值以前，就能看出其中有些分量向正值变化得极慢，可及早采取对策。通过反证法可以证明：在线性可分情况下，算法进行过程中不会出现e(k)的分量全为负的情况；若出现e(k)的分量全为负，则说明模式类线性不可分。4)LMSE算法描述(1)根据N个分属于两类的样本，写出规范化增广样本矩阵X。(2)求X的伪逆矩阵。第74页，共124页，星期日，2025年，2月5日……(3)设置初值c