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...