模式识别上机实验报告汇总文档格式.docx
《模式识别上机实验报告汇总文档格式.docx》由会员分享,可在线阅读,更多相关《模式识别上机实验报告汇总文档格式.docx(18页珍藏版)》请在冰豆网上搜索。
N=500:
(3)、类间离散度矩阵、类内离散度矩阵
根据matlab程序得出的类间离散度矩阵为:
N=50:
根据matlab程序得出的类内离散度矩阵为:
5、结论
由mvnrnd函数产生的结果是一个N*D的一个矩阵,在本实验中D是2,N是50和500.
根据实验数据可以看出,当样本容量变多的时候,两个变量的总体误差变小,观测变量各个取值之间的差异程度减小。
6、实验程序
clc;
closeall;
clearall;
%parameter
N=50;
N_1=500;
mu_1=[-2,-2];
Sigma_1=[1,0;
0,1];
r_1=mvnrnd(mu_1,Sigma_1,N);
r_11=mvnrnd(mu_1,Sigma_1,N_1);
mu_2=[2,2];
Sigma_2=[1,0;
0,4];
r_2=mvnrnd(mu_2,Sigma_2,N);
r_22=mvnrnd(mu_2,Sigma_2,N_1);
%figures
figure
(1);
plot(r_1(:
1),r_1(:
2),'
.'
);
%将矩阵r_1的第一列当成横坐标,第二列当作纵坐标。
title('
样本数为50时的第一类样本分布图'
figure
(2);
plot(r_2(:
1),r_2(:
样本数为50时的第二类样本分布图'
figure(3);
plot(r_11(:
1),r_11(:
样本数为500时的第一类样本分布图'
figure(4);
plot(r_22(:
1),r_22(:
样本数为500时的第二类样本分布图'
%类均值向量和类协方差矩阵
m_1=mean(r_1);
%样本数为50时第一类类均值向量
m_2=mean(r_2);
%样本数为50时第二类类均值向量
m_11=mean(r_11);
%样本数为500时第一类类均值向量
m_22=mean(r_22);
%样本数为500时第二类类均值向量
sum1=[0,0;
0,0];
forn=1:
N
sum1=sum1+(r_1(n,:
)-mu_1)'
*(r_1(n,:
)-mu_1);
end
E_1=sum1/N;
%样本数为50时,第一类类协方差矩阵
sum2=[0,0;
sum2=sum2+(r_2(n,:
)-mu_2)'
*(r_2(n,:
)-mu_2);
E_2=sum2/N;
%样本数为50时,第二类类协方差矩阵
sum3=[0,0;
N_1
sum3=sum3+(r_11(n,:
*(r_11(n,:
E_11=sum3/N_1;
%样本数为500时,第一类类协方差矩阵
sum4=[0,0;
sum4=sum4+(r_22(n,:
*(r_22(n,:
E_22=sum4/N_1;
%样本数为500时,第二类类协方差矩阵
%计算类间离散度和类内离散度
Sb_1=(m_1-m_2)'
*(m_1-m_2);
%样本数为50时的,类间离散度矩阵
Sb_2=(m_11-m_22)'
*(m_11-m_22);
%样本数为500时的,类间离散度矩阵
S_1=[0,0;
S_2=[0,0;
S_1=S_1+(r_1(n,:
)-m_1)'
)-m_1);
S_2=S_2+(r_2(n,:
)-m_2)'
)-m_2);
SW1=S_1+S_2;
%样本数为50时的,总的类内离散度矩阵
S_11=[0,0;
S_22=[0,0;
S_11=S_11+(r_11(n,:
)-m_11)'
)-m_11);
S_22=S_22+(r_22(n,:
)-m_22)'
)-m_22);
SW2=S_11+S_22;
%样本数为500时的,总的类内离散度矩阵
实验二、Fisher线性分类器的设计
(1)掌握Fisher线性判别方法
(2)掌握Bayes决策的错误率的计算
(3)掌握分类器错误率的估算方法
(4)对模式识别有一个初步的理解
Fisher准则基本原理:
如果在二维空间中一条直线能将两类样本分开,或者错分类很少,则同一类别样本数据在该直线的单位法向量上的投影的绝大多数都应该超过某一值。
而另一类数据的投影都应该小于(或绝大多数都小于)该值,则这条直线就有可能将两类分开。
准则:
向量W的方向选择应能使两类样本投影的均值之差尽可能大些,而使类内样本的离散程度尽可能小。
这就是Fisher准则函数的基本思路。
y=WTX+W0
评价投影方向W的函数:
最佳W值的确定:
求取使JF达极大值时的w*:
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。
w0确定:
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。
考虑Fisher线性判别方法,利用实验1中程序产生的数据(分别在各类样本数均为50及500时),计算:
1)求解最优投影方向W;
2)画出表示最优投影方向的直线,并且标记出投影后的点在直线上的位置;
3)计算投影后的阈值权;
4)计算分类器的各类错误率及总的平均错误率;
5)计算按最小错误率Bayes决策的错误率(各类先验概率相同)
上图可以看出在N=50时的情况下绿色的点是第一类样本点,蓝色的*给出了第二类样本点,红色的直线是最优投影方向的直线,+标出的点是W0点,直线上不同颜色代表了不同类样本点所投影的点的位置。
N=50时,类一的错误概率为0
类二的错误概率为8%
平均错误概率为1%
Bayes决策错误率为0%
最佳投影方向
通过对实验结果的探究,可以得出当样本数比较大的时候类错误概率会上升。
的比例因子对于Fisher判别函数没有影响的原因:
在本实验中,最重要的是W的方向,或者说是在此方向上数据的投影,所以W的比例因子,即它是单位向量的多少倍长就没那么重要了,不管比例因子大小是多少,在最后求投影时都会被消掉。
%样本数为50时
W_0=-(m_1+m_2)/2;
w=(m_1-m_2)*inv(SW1);
%投影向量S
k=w(:
2)/w(:
1);
%最优投影方向直线的斜率。
x=[-7:
0.01:
7];
y=k*(x-W_0(:
1))+W_0(:
2);
%最优投影方向直线
g.'
样本数为50时的样本分布图'
holdon;
*'
plot(W_0
(1),W_0
(2),'
+'
plot(x,y,'
r'
%画出最优投影方向直线
A0=[k-1;
1k];
X0=zeros(2,N);
forn=1:
b=[k*W_0(:
1)-W_0(:
2)r_1(n,1)+k*r_1(n,2)]'
;
X0(:
n)=inv(A0)*b;
A1=[k-1;
X1=zeros(2,N);
b1=[k*W_0(:
2)r_2(n,1)+k*r_2(n,2)]'
X1(:
n)=inv(A1)*b1;
plot(X0(1,:
),X0(2,:
),'
g'
plot(X1(1,:
),X1(2,:
b'
holdoff;
en1=0;
en2=0;
form=1:
ifX0(1,m)>
W_0(:
1)
en1=en1+1;
end
ifX1(1,m)<
en2=en2+1;
p1=en1/N;
%类一错误率
p2=en2/N;
%类二错误率
p0=(en1+en2)/(2*N);
%平均错误率
Pw1=0.5;
Pw2=0.5;
Pbayes1=Pw1*p1+Pw2*p2;
%Bayes决策错误率
实验三、最近邻分类器的设计
(1)掌握最近邻分类算法
(2)掌握k近邻分类算法
2、实验原理
(1)近邻法原理及其决策规则
最小距离分类器:
将各类训练样本划分成若干子类,并在每个子类中确定代表点。
测试样本的类别则以其与这些代表点距离最近作决策。
该法的缺点:
所选择的代表点并不一定能很好地代表各类,其后果将使错误率增加。
以全部训练样本作为“代表点”,计算测试样本与这些“代表点”,即所有样本的距离,并以最近邻者的类别作为决策。
最近邻法决策规则:
将与测试样本最近邻样本的类别作为决策的方法称为最近邻法。
对一个C类别问题,每类有Ni个样本,i=1,…,C,则第i类ωi的判别函数
判别函数的决策规则:
若:
;
则:
X∈ωj
表示是ωi类的第k个样本
(2)k-近邻法决策规则
在所有N个样本中找到与测试样本的k个最近邻者,其中各类别所占个数表示成ki,i=1,…,c。
则决策规划是:
如果:
则:
3验内容及要求
还是利用实验1的程序,计算
(1)每类产生50个样本作为训练样本;
每类产生100个样本作为考试样本;
(2)按最近邻法用训练样本对考试样本分类,计算平均错误率;
(3)按最k近邻法(k=10)用训练样本对考试样本分类,计算平均错误率;
最近邻分类法错误率=0.0150;
K紧邻分类法错误率=0.0050
最近邻分类方法相对于K近邻分类方法来说,错误率高,其分类错误率受样本个数的影响小,K值越大,错分率应该越低,当K趋向于样本总个数时错误率应该最低,但此时计算量大。
在计算量方面,K近邻分类的计算量比最近邻分类法大。
N1=100;
N2=50;
miu1=[-2;
-2];
miu2=[2;
2];
x1=random('
normal'
-2,1,1,N1);
x2=random('
x3=random('
2,1,1,N1);
x4=random('
2,2,1,N1);
y1=random('
-2,1,1,N2);
y2=random('
y3=random('
2,1,1,N2);
y4=random('
2,2,1,N2);
X1=[x1;
x2];
%测试样本1
X2=[x3;
x4];
%测试样本2
Y1=[y1;
y2];
%训练样本1
Y2=[y3;
y4];
%训练样本2
figure
holdon
plot(X2(1,:
),X2(2,:
*r'
测试样本分布图'
)
plot(Y1(1,:
),Y1(2,:
plot(Y2(1,:
),Y2(2,:
训练样本分布图'
distance1=zeros(N1,2*N2);
distance2=zeros(N1,2*N2);
%%最近邻
erro1=0;
erro2=0;
fori=1:
N1
forj=1:
N2
distance1(i,j)=sqrt((X1(1,i)-Y1(1,j))^2+(X1(2,i)-Y1(2,j))^2);
distance1(i,j+N2)=sqrt((X1(1,i)-Y2(1,j))^2+(X1(2,i)-Y2(2,j))^2);
zuixiao=min(distance1(i,:
));
2*N2
ifdistance1(i,j)==zuixiao
ifj>
erro1=erro1+1;
distance2(i,j)=sqrt((X2(1,i)-Y1(1,j))^2+(X2(2,i)-Y1(2,j))^2);
distance2(i,j+N2)=sqrt((X2(1,i)-Y2(1,j))^2+(X2(2,i)-Y2(2,j))^2);
zuixiao=min(distance2(i,:
ifdistance2(i,j)==zuixiao
ifj<
erro2=erro2+1;
erro_pingjun=(erro1+erro2)/(2*N1)
%%k近邻
k=10;
number11=zeros(N1,1);
number12=zeros(N1,1);
MAX=1e5;
k_erro1=0;
forii=1:
fori=1:
k
zuixiao=min(distance1(ii,:
ifdistance1(ii,j)==zuixiao
=N2
number11(ii)=number11(ii)+1;
else
number12(ii)=number12(ii)+1;
distance1(ii,j)=MAX;
ifnumber11(ii)<
number12(ii)
k_erro1=k_erro1+1;
number21=zeros(N1,1);
number22=zeros(N1,1);
k_erro2=0;
zuixiao=min(distance2(ii,:
ifdistance2(ii,j)==zuixiao
number21(ii)=number21(ii)+1;
number22(ii)=number22(ii)+1;
distance2(ii,j)=MAX;
ifnumber21(ii)>
number22(ii)
k_erro2=k_erro2+1;
k_erro_pingjun=(k_erro1+k_erro2)/(2*N1)