模式识别作业

模式识别课程matlab程序作业。

模式识别贝叶斯决策：正常状态细胞p（ω1）=0.9，异常状态细胞p（ω2）=0.

1，类条件概率密度分别为p（x｜ω1）～n（0，1），p（x｜ω2）～n（0.2，1.5），现有一待识别细胞，其观察值为0.

2，用matlab写出程序对该细胞进行分类。

编写程序如下：

close all;

clear all;

x=-6:0.0001:6设置采样范围及精度。

pw1=0.9;pw2=0.1设置先验概率。

u1=-2;sig1=0.25;u2=2;sig2=4设置类条件概率分布参数。

y1=(1./sqrt(2*pi*sig1))*gaussmf(x,[sqrt(sig1) u1]);计算类别一（正常细胞）的类条件概率分布。

y2=(1./sqrt(2*pi*sig2))*gaussmf(x,[sqrt(sig2) u2]);计算类别二（异常细胞）的类条件概率分布。

figure(1)

plot(x,y1,x,y2);

subplot(3,1,1);plot(x,y1,'b:',x,y2,'r-')

title('类条件概率分布曲线');

legend('正常细胞','异常细胞');

p1=pw1*y1./(pw1*y1+pw2*y2);

p2=pw2*y2./(pw1*y1+pw2*y2);

figure(2);

subplot(3,1,2);plot(x,p1,'b:',x,p2,'r-')

title('后验概率分布曲线');

legend('正常细胞','异常细胞');

x,y] =ginput(2);

sample=textread(''f');读入样本。

samplew1=zeros(1,length(sample));

sample=[-3.9847 -3.5549 -1.2401 -0.9780 -0.7932 -2.8531

a=1;b=1;

for n=1:24

if (sample(n)>=x(1))&sample(n)<=x(2))

samplew1(a)=sample(n);

a=a+1;

else samplew2(b)=sample(n);

b=b+1;

endend

samplew1,samplew2;

subplot(3,1,2);

plot(x,p1,'b:',x,p2,'r-',samplew1,0.5,'mo',samplew2,0.5,'c*')

title('后验概率分布曲线');

legend('正常细胞','异常细胞');

f=[0 4;2 0设置风险矩阵。

r1=f(1,1)*p1+f(1,2)*p2;

r2=f(2,1)*p1+f(2,2)*p2;

subplot(3,1,3);

plot(x,r1,'b:',x,r2,'r-')

title('风险曲线');

legend('正常细胞','异常细胞');

p,q] =ginput(2);

c=1;d=1;

for n=1:24

if (sample(n)>=p(1))&sample(n)<=p(2))

sampler1(c)=sample(n);

c=c+1;

else sampler2(d)=sample(n);

d=d+1;

endend

subplot(3,1,3);

plot(x,r1,'b:',x,r2,'r-',sampler1,2.5,'mo',sampler2,2.5,'c*')

title('风险曲线');

legend('正常细胞','异常细胞');

模式识别作业

6.题目 fisher分类和基于核的fisher分类的设计与实现研究。具体内容 1.简述fisher分类和基于核的fisher分类的算法原理 2.举出实例 3.用matlab软件编写程序实现 4.分析实验结果。fisher分类和基于核的fisher分类的设计与实现研究。1 fisher分类和基于核的...

模式识别作业

感知器训练算法。在设计贝叶斯分类器时需要设法获取样本统计分布的资料，应知道先验概率及类分布概率密度函数等。然而，在样本数不充足条件下要获取准确的统计分布是很困难的。这样，可以考虑另外一种分类器设计方法，即根据训练样本集提供的信息，直接进行分类器设计。下面实验是针对线性可分情况下的感知器算法。实验所用...

模式识别作业

题目 lsme分类算法原理及实现步骤。学院 通信学院 专业 自动化 学号 52110822 姓名 郑智鹏。lsme算法的基本原理。lmse算法是对准则函数引进最小均方误差这一条件而建立起来的，这种算法的主要特点是在训练过程中判定训练集是否线性可分，从而对结果的收敛性做出判断。此方法也称为ho kas...