电子科技大学研究生试卷（考试时间：至，共2小时）课程名称模式识别教师学时40学分2教学方式课堂教学考核日期年月日成绩考核方式：（学生填写）1、（5分）简述有监督学习和无监督学习的异同。答：（1）有监督学习必须要有训练集和测试样本，而非监督学习没有训练集；（2）有监督学习的目的就是识别事物，识别结果表现在给待识别数据加上了标号，因此训练样本集必须由带标号的样本组成，而非监督学习方法只有要分析的数据集本身，预先没有什么标号。（3）非监督学习方法在寻找数据集中的规律性，这种规律性并不一定要达到分数据集的目的，也就是说不一定要“分类”。2、（15分）计算单词model和amdeol的编辑距离，画出栅格图。解：栅格图为：amdeolmodelamdeolbcaty从栅格图可计算，model和amdeol的编辑距离为3。学号姓名学院⋯⋯⋯⋯⋯⋯⋯⋯密⋯⋯⋯⋯⋯封⋯⋯⋯⋯⋯线⋯⋯⋯⋯⋯以⋯⋯⋯⋯⋯内⋯⋯⋯⋯⋯答⋯⋯⋯⋯⋯题⋯⋯⋯⋯⋯无⋯⋯⋯⋯⋯效⋯⋯⋯⋯⋯⋯⋯⋯3、（15分）已知A类样本为：123[0,1];[2,2];[2,3]aaa，B类样本为：123[3,1];[4,3];[1,5]bbb，计算最小二乘分类面的方程（取值为-1和+1），并写出LMS算法的流程。解：（1）计算最小二乘分类面为0.4,0.26,1.45T。（2）LMS算法流程：步骤1.初始化训练样本、权向量；步骤2.选择一个训练样本，利用下列公式更新权向量：[][1][1]2()kkTkiiywwxxw训练样本数目步骤3.重复所有样本。4、（15分）在目标识别中，有1和2两种目标类型，它们的先验概率分别为0.8和0.2，在一次试验中，获得样本的类概率密度分别为10.2px，20.4px，并且已知110，126，211，220。试对该样本进行分类。（1）基于最小错误率贝叶斯决策；（2）基于最小风险贝叶斯决策。解：（1）利用贝叶斯公式，分别计算出1和2的后验概率：111210.20.80.66670.20.80.40.2iiipxPPxpxP222210.40.20.33330.20.80.40.2iiipxPPxpxP根据贝叶斯决策规则，有12PxPx所以合理的决策是把该样本归类于1。（2）根据（1）的计算结果可知后验概率为120.6667,0.3333PxPx计算条件风险211122122221111.99980.6667iiiiiiRxPxPxRxPxPx由于12RxRx，因此判断该样本为2。5、（15分）试描述监督分类三种准则的原理及典型方法。答：回归分析，利用函数逼近的观点构造判决函数，典型方法包括：LMS、RBF网络等。支持向量机，从几何角度，构造约束最优化模型，寻找最优分类面，典型方法包括：线性支持向量机和非线性支持向量机。神经网络，从仿生学角度构造神经网络结构，通过最优化方法进行网络训练，典型方法包括：感知器模型，BP网络等。6、（20分）已知四个样本具有三个特征，分别为：10.15,0.19,0.79,0.06Tv20.39,0.30,0.73,0.10Tv31.08,0.99,3.05,0.33Tv1）计算其协方差矩阵，并对其进行主分量，并对结果进行分析。2）简述mercer定理及核主分量分析的原理。解：（1）协方差矩阵：0.68960.70422.78750.70420.79182.99202.78752.992011.5589TRFF其中，123,,Fvvv。求协方差矩阵的特征值为10，20.0347，313.0056，两个主分量为2和3对应的特征向量，分别为：10.7098,0.7043,0.0111Tv20.2273,0.2440,0.9427Tv说明三个特征分量中有一个特征和另外两个特征相关，采用主分量分析可以识别该相关向量，达到降低特征空间维度的目的。（2）Mercer定理认为，映射变换后的内积可以写为函数的形式。定义：1(),...,()NlNxx则有：TTRKyua@TKKRyuaau根据mercer定理，,(,)TijijKkyyxx@最后得到：()=<(),>=()(,)kkkiiyxaikxxxu相当于在投影域计算KL变换，并进行PCA。7、（15分）请写出模式识别系统的主要系统组成，阐述各部分的功能及主要方法。答：模式识别系统的主要系统组成如下：识别样本，采集用于采集待识别问题的数据数据预处理，主要消除采集系统差异对识别的影响特征提取与选择，从数据中提取具特征，并进行去相关等处理分类器，进行分类，包括监督分类和非监督分类两种，列举相关方法。
