模式识别支持向量机VIP专享

模式识别实验指导书 西安理工大学 信息与控制工程系 模式识别实验指导 前言 模式识别能力是人类智能的重要标志，通过这种能力我们能够辨识人脸、识别语音、阅读手写文字、从口袋里摸出钥匙或者根据气味判断苹果是否成熟。模式识别这门课程就是研究如何用计算机实现人的模式识别能力。模式识别是以应用为基础的学科，目的是将对象进行分类。这些对象可以是图像、信号波形、文字、语音等可以测量的对象。 为了让高年级本科学生能够更好地理解，模式识别课程中讲授的基本内容和方法，配合授课内容和实验学时要求，设计了 6 个学时的模式识别实验项目。使用时可以在 3 个实验中任选 2 个来进行。本实验指导书中给出了实验的内容、要求和简单的参考例程。例程仅起参考作用，学生必须通过对例程的理解自己设计程序，完成全部实验内容。 - 1 - 模式识别实验指导 实验一 总体概率密度分布的非参数方法 一、实验目的： 在进行 Bayes 决策时，一个前提条件是要预先知道先验概率密度和类条件概率密度，而实际中我们只是收集到有限数目的样本，而不知道先验概率密度和类条件概率密度。因此，我们必须先根据有限的样本对类条件概率密度和先验概率密度进行估计，再用估计的结果进行Bayes 决策。 由样本集估计概率密度的方法有监督参数估计、非监督参数估计和非参数估计三种类型，其中非参数估计方法是在样本所属类别已知，但是未知总体概率密度函数形式的条件下，直接推断概率密度函数本身的方法。 本实验的目的是通过编程进行概率密度的函数的Parzen窗函数估计和KN近邻估计，加深对非参数估计基本思想的认识和理解。 二、实验要求： 1、复习非监督参数估计的基本思想； 2、复习用 Parzen 窗法进行总体分布的非参数估计方法并编制程序； 3、复习KN近邻法进行总体分布估计的基本原理，并编制程序； 4、本实验在 2 学时内完成； 三、参考例程及其说明： 下面程序采用正态窗进行概率密度函数的估计。程序中 N 表示样本个数，h1 表示于窗宽。 clear N=4096; XI=randn(1,N); h1=0.25; for x=-3:0.001:3 %t=(x+2.5)*100 %pause j=ceil((x+3)*100)+1; P(j)=0; for i=1:N %i %j %pause P(j)=exp(-0.5*((x-XI(i))*N^0.5/h1)^2)/((h1/N^0.5)*(2*pi)^0.5)+P(j); end P(j)=P(j)/N; - 2 - 模式识别实验指导 end x1=-3:0.01:3; plot(x1,P) 四、上机完成内容： 1、修改参数 N，令 N=1，N=4，N=16，分析所得...