基于Fisher准则线性分类器设计Word文档格式.docx

基于Fisher准则线性分类器设计Word文档格式.docx

《基于Fisher准则线性分类器设计Word文档格式.docx》由会员分享，可在线阅读，更多相关《基于Fisher准则线性分类器设计Word文档格式.docx（14页珍藏版）》请在冰豆网上搜索。

都是d×

d维，得到的

也是一个d维的向量。

　　向量

就是使Fisher准则函数

达极大值的解，也就是按Fisher准则将d维X空间投影到一维Y空间的最佳投影方向，该向量

的各分量值是对原d维特征向量求加权和的权值。

以上讨论了线性判别函数加权向量W的确定方法，并讨论了使Fisher准则函数极大的d维向量

的计算方法，但是判别函数中的另一项

尚未确定，一般可采用以下几种方法确定

如

或者　　　

　　或当

与

已知时可用

……

　当W0确定之后，则可按以下规则分类，

　　使用Fisher准则方法确定最佳线性分界面的方法是一个著名的方法，尽管提出该方法的时间比较早，仍见有人使用。

五、实验内容

已知有两类数据

二者的概率已知

=0.6，

=0.4。

中数据点的坐标对应一一如下：

数据：

x1=

0.23311.52070.64990.77571.05241.1974

0.29080.25180.66820.56220.90230.1333

-0.54310.9407-0.21260.0507-0.08100.7315

0.33451.0650-0.02470.10430.31220.6655

0.58381.16531.26530.8137-0.33990.5152

0.7226-0.20150.4070-0.1717-1.0573-0.2099

x2=

2.33852.19461.67301.63651.78442.0155

2.06812.12132.47971.51181.96921.8340

1.87042.29481.77142.39391.56481.9329

2.20272.45681.75231.69912.48831.7259

2.04662.02262.37571.79872.08282.0798

1.94492.38012.23732.16141.92352.2604

x3=

0.53380.85141.08310.41641.11760.5536

0.60710.44390.49280.59011.09271.0756

1.00720.42720.43530.98690.48411.0992

1.02990.71271.01240.45760.85441.1275

0.77050.41291.00850.76760.84180.8784

0.97510.78400.41581.03150.75330.9548

数据点的对应的三维坐标为

1.40101.23012.08141.16551.37401.1829

1.76321.97392.41522.58902.84721.9539

1.25001.28641.26142.00712.18311.7909

1.33221.14661.70871.59202.93531.4664

2.93131.83491.83402.50962.71982.3148

2.03532.60301.23272.14651.56732.9414

1.02980.96110.91541.49010.82000.9399

1.14051.06780.80501.28891.46011.4334

0.70911.29421.37440.93871.22661.1833

0.87980.55920.51500.99830.91200.7126

1.28331.10291.26800.71401.24461.3392

1.18080.55031.47081.14350.76791.1288

0.62101.36560.54980.67080.89321.4342

0.95080.73240.57841.49431.09150.7644

1.21591.30491.14080.93980.61970.6603

1.39281.40840.69090.84000.53811.3729

0.77310.73191.34390.81420.95860.7379

0.75480.73930.67390.86511.36991.1458

数据的样本点分布如下图：

图1：

样本点分布图

六、实验要求

1）请把数据作为样本，根据Fisher选择投影方向

的原则，使原样本向量在该方向上的投影能兼顾类间分布尽可能分开，类内样本投影尽可能密集的要求，求出评价投影方向

的函数，并在图形表示出来。

并在实验报告中表示出来，并求使

取极大值的

。

用matlab完成Fisher线性分类器的设计，程序的语句要求有注释。

2）根据上述的结果并判断（1，1.5，0.6）（1.2，1.0，0.55），（2.0，0.9，0.68），（1.2，1.5，0.89），（0.23，2.33，1.43），属于哪个类别，并画出数据分类相应的结果图，要求画出其在

上的投影。

3）回答如下问题，分析一下

的比例因子对于Fisher判别函数没有影响的原因。

七、实验结果

1、源代码

x1=[0.23311.52070.64990.77571.05241.1974...

0.29080.25180.66820.56220.90230.1333...

-0.54310.9407-0.21260.0507-0.08100.7315...

0.33451.0650-0.02470.10430.31220.6655...

0.58381.16531.26530.8137-0.33990.5152...

0.7226-0.20150.4070-0.1717-1.0573-0.2099]'

;

y1=[2.33852.19461.67301.63651.78442.0155...

2.06812.12132.47971.51181.96921.8340...

1.87042.29481.77142.39391.56481.9329...

2.20272.45681.75231.69912.48831.7259...

2.04662.02262.37571.79872.08282.0798...

1.94492.38012.23732.16141.92352.2604]'

z1=[0.53380.85141.08310.41641.11760.5536...

0.60710.44390.49280.59011.09271.0756...

1.00720.42720.43530.98690.48411.0992...

1.02990.71271.01240.45760.85441.1275...

0.77050.41291.00850.76760.84180.8784...

0.97510.78400.41581.03150.75330.9548]'

%存储第一类点

x2=[1.40101.23012.08141.16551.37401.1829...

1.76321.97392.41522.58902.84721.9539...

1.25001.28641.26142.00712.18311.7909...

1.33221.14661.70871.59202.93531.4664...

2.93131.83491.83402.50962.71982.3148...

2.03532.60301.23272.14651.56732.9414]'

y2=[1.02980.96110.91541.49010.82000.9399...

1.14051.06780.80501.28891.46011.4334...

0.70911.29421.37440.93871.22661.1833...

0.87980.55920.51500.99830.91200.7126...

1.28331.10291.26800.71401.24461.3392...

1.18080.55031.47081.14350.76791.1288]'

z2=[0.62101.36560.54980.67080.89321.4342...

0.95080.73240.57841.49431.09150.7644...

1.21591.30491.14080.93980.61970.6603...

1.39281.40840.69090.84000.53811.3729...

0.77310.73191.34390.81420.95860.7379...

0.75480.73930.67390.86511.36991.1458]'

%存储第二类点

Pw1=0.6

Pw2=0.4

%求第一类点的均值向量m1

m1x=mean（x1（:

））%全部平均

m1y=mean（y1（:

m1z=mean（z1（:

m1=[m1x

m1y

m1z]

%求第二类点的均值向量m2

m2x=mean（x2（:

m2y=mean（y2（:

m2z=mean（z2（:

m2=[m2x

m2y

m2z]

%求第一类类内离散矩阵S1

S1=zeros（3,3）

fori=1:

36

S1=S1+（[x1（i）,y1（i）,z1（i）]'

-m1）*（[x1（i）,y1（i）,z1（i）]'

-m1）'

end

%求第二类类内离散矩阵S2

S2=zeros（3,3）

S2=S2+（[x2（i）,y2（i）,z2（i）]'

-m2）*（[x2（i）,y2（i）,z2（i）]'

-m2）'

%求总类内离散度矩阵Sw

Sw=S1+S2

%求向量W*

W=（inv（Sw））*（m1-m2）

%画出决策面

x=0:

.1:

2.5

y=0:

3

[X,Y]=meshgrid（x,y）

Z=（W

（1）*X+W

（2）*Y）/（-W（3））

mesh（X,Y,Z）

%保持

holdon

%透视决策面

hiddenoff

%求第一类样品的投影值均值

Y1=0

Y1=Y1+W'

*[x1（i）,y1（i）,z1（i）]'

M1=Y1/36

%求第二类样品的投影值均值

Y2=0

Y2=Y2+W'

*[x2（i）,y2（i）,z2（i）]'

M2=Y2/36

%选取阈值Y0

Y0=（M1+M2）/2+（log（Pw1）/log（Pw2））/70

%判定未知样品类别

X1=[1,1.5,0.6]'

ifW'

*X1>

Y0

disp（'

点X1（1,1.5,0.6）属于第一类'

）

plot3（1,0.5,0.6,'

or'

else

点X1（1,1.5,0.6）属于第二类'

ob'

X2=[1.2,1.0,0.55]'

*X2>

点X2（1.2,1.0,0.55）属于第一类'

plot3（1.2,1.0,0.55,'

点X2（1.2,1.0,0.55）属于第二类'

X3=[2.0,0.9,0.68]'

*X3>

点X3（2.0,0.9,0.68）属于第一类'

plot3（2.0,0.9,0.68,'

点X3（2.0,0.9,0.68）属于第二类'

X4=[1.2,1.5,0.89]'

*X4>

点X4（1.2,1.5,0.89）属于第一类'

plot3（1.2,1.5,0.89,'

点X4（1.2,1.5,0.89）属于第二类'

X5=[0.23,2.33,1.43]'

*X5>

点X5（0.23,2.33,1.43）属于第一类'

plot3（0.23,2.33,1.43,'

点X5（0.23,2.33,1.43）属于第二类'

2、决策面

图2：

决策面（红色代表第一类，蓝色代表第二类）

3、参数

决策面向量

W=

-0.0798

0.2005

-0.0478

阈值

Y0=

0.1828

样本点分类

X1=

1.0000

1.5000

0.6000

点X1（1,1.5,0.6）属于第一类

X2=

1.2000

0.5500

点X2（1.2,1.0,0.55）属于第二类

X3=

2.0000

0.9000

0.6800

点X3（2.0,0.9,0.68）属于第二类

X4=

0.8900

点X4（1.2,1.5,0.89）属于第二类

X5=

0.2300

2.3300

1.4300

点X5（0.23,2.33,1.43）属于第一类

8、实验分析

1、比例因子

决策面向量W的比例因子并不影响判别函数。

分析如下：

阈值：

判别函数：

可以证明，Y0与WT有关，所以当改变WT时，判别函数两边同时改变，所以WT并不影响判别函数。

九、实验截图