精品文档---下载后可任意编辑模式识别——用身高和或体重数据进行性别分类 用身高和/或体重数据进行性别分类 1、【实验目的】 （1）掌握最小错误率 Bayes 分类器的决策规则 （2）掌握 Parzen窗法 （3）掌握 Fisher 线性判别方法 （4）熟练运用 matlab 的相关知识。 2、【实验原理】 （1）、最小错误率 Bayes 分类器的决策规则 假如在特征空间中观察到某一个（随机）向量 x = ( x1 , x2 ,…, xd )T，已知类别状态的先验概率为：和类别的条件概率密度为，根据 Bayes 公式得到状态的后验概率 有： 基本决策规则：假如，则，将 x 归属后验概率最大的类别 。 （2）、掌握 Parzen 窗法 对于被估量点 X： 其估量概率密度的基本公式，设区域 RN 是以 hN 为棱长的 d 维超立方体，则立方体的体积为； 选择一个窗函数，落入该立方体的样本数为，点 x 的概率密度: 其中核函数：，满足的条件：； 。 （3）、Fisher 线性判别方法 Fisher 线性判别分析的基本思想：通过寻找一个投影方向（线性变换，线性组合），将高维问题降低到一维问题来解决，并且要求变换后的一维数据具有如下性质：同类样本尽可能聚集在一起，不同类的样本尽可能地远。 Fisher 线性判别分析，就是通过给定的训练数据，确定投影方向 W 和阈值 y0，即确定线性判别函数，然后根据这个线性判别函数，对测试数据进行测试，得到测试数据的类别。 线性判别函数的一般形式可表示成 ，其中 根据 Fisher 选择投影方向 W 的原则，即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，用以评价投影方向 W 的函数为： 上面的公式是使用 Fisher 准则求最佳法线向量的解，该式比较重要。另外，该式这种形式的运算，我们称为线性变换，其中式一个向量，是的逆矩阵，如是 d 维，和都是 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，该向量的各重量值是对原 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，一般可采纳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： 精品文档---下载后可任意编辑 3...
