模式识别实验报告（一二）.docx

本文格式为Word版，下载可任意编辑模式识别实验报告（一二） 信息与通信工程学院 模式识别测验报告 班 级： 名： 号： 姓 学 日 期： 2022年12月 测验一、Bayes分类器设计 一、测验目的： 1.对模式识别有一个初步的理解 2.能够根据自己的设计对贝叶斯决策理论算法有一个深刻地熟悉 3.理解二类分类器的设计原理 二、测验条件： matlab软件 三、测验原理： 最小风险贝叶斯决策可按以下步骤举行： 1)在已知 P(?i)， P(X?i)，i=1,?，c及给出待识别的X的处境下，根据贝叶斯公式计 算出后验概率： P(?iX)? P(X?i)P(?i)?P(X?)P(?)iij?1c j=1,?，x 2)利用计算出的后验概率及决策表，按下面的公式计算出采取 R(aiX)?ai,i=1,?，a的条件风险 ??(a,?ij?1cj)P(?jX),i=1,2,?,a R(aiX),i=1,?，a举行对比，找出访其条件风险最小的 3)对(2)中得到的a个条件风险值决策那么 ak，即Rakx?minRaix i?1,?a????ak就是最小风险贝叶斯决策。

四、测验内容 假定某个局部区域细胞识别中正常（?1）和非正常（?2）两类先验概率分别为 正常状态：P（?1）=0.9； 奇怪状态：P（?2）=0.1 现有一系列待查看的细胞，其查看值为x： -3.9847 -3.5549 -1.2401 -0.9780 -0.7932 -2.8531 -2.7605 -3.7287 -3.5414 -2.2692 -3.4549 -3.0752 -3.9934 2.8792 -0.9780 0.7932 1.1882 3.0682 -1.5799 -1.4885 -0.7431 -0.4221 -1.1186 4.2532 已知先验概率是的曲线如下图： 0.80.70.60.50.40.30.20.10-6-4-20246 p(x|?1)p(x|?2)类条件概率分布正态分布分别为（-2，0.25）（2,4）试对查看的 结果举行分类 五、测验步骤： 1.用matlab完成分类器的设计，说明文字程序相应语句，子程序有调用过程。

2.根据例子画出后验概率的分布曲线以及分类的结果示意图 3.最小风险贝叶斯决策，决策表如下： 状态 决策 α1 α2 ?1 0 1 ?2 6 0 重新设计程序，完成基于最小风险的贝叶斯分类器，画出相应的后验概率的分布曲线和分类结果,并对比两个结果 六、测验代码 1.最小错误率贝叶斯决策(m1.m) x=[-3.9847 -3.5549 -1.2401 -0.9780 -0.7932 -2.8531 -2.7605 -3.7287 -3.5414 -2.2692 -3.4549 -3.0752 -3.9934 2.8792 -0.9780 0.7932 1.1882 3.0682 -1.5799 -1.4885 0.7431 -0.4221 -1.1186 4.2532 ] pw1=0.9; pw2=0.1; e1=-2; a1=0.5; e2=2;a2=2; m=numel(x); %得到待测细胞个数 pw1_x=zeros(1,m); %存放对w1的后验概率矩阵 pw2_x=zeros(1,m); %存放对w2的后验概率矩阵 results=zeros(1,m); %存放对比结果矩阵 for i = 1:m %计算在w1下的后验概率 pw1_x(i)=(pw1*normpdf(x(i),e1,a1))/(pw1*normpdf(x(i),e1,a1)+pw2*normpdf(x(i),e2,a2)) ; %计算在w2下的后验概率 pw2_x(i)=(pw2*normpdf(x(i),e2,a2))/(pw1*normpdf(x(i),e1,a1)+pw2*normpdf(x(i),e2,a2)) ; end for i = 1:m if pw1_x(i)>pw2_x(i) %对比两类后验概率 result(i)=0; %正常细胞 else result(i)=1; %奇怪细胞 end end a=[-5:0.05:5]; %取样本点以画图 n=numel(a); pw1_plot=zeros(1,n); pw2_plot=zeros(1,n); for j=1:n pw1_plot(j)=(pw1*normpdf(a(j),e1,a1))/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf(a(j),e2,a2)); %计算每个样本点对w1的后验概率以画图 pw2_plot(j)=(pw2*normpdf(a(j),e2,a2))/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf(a(j),e2,a2)); end figure(1); hold on plot(a,pw1_plot,'co',a,pw2_plot,'r-.'); for k=1:m if result(k)==0 plot(x(k),-0.1,'cp'); %正常细胞用五角星表示 else plot(x(k),-0.1,'r*'); %奇怪细胞用*表示 end; end; legend('正常细胞后验概率曲线','奇怪细胞后验概率曲线','正常细胞','奇怪细胞'); xlabel('样本细胞的查看值'); ylabel('后验概率'); title('后验概率分布曲线'); grid on return %测验内容仿真： x = [-3.9847, -3.5549,-1.2401,-0.9780, -0.7932, -2.8531,-2.7605, -3.7287, -3.5414 , -2.2692,-3.4549,-3.075,-3.9934,2.8792,-0.9780,0.7932,1.1882 ,3.0682,-1.5799,-1.4885,-0.7431,-0.4221,-1.1186, 4.2532 ] disp(x); pw1=0.9; pw2=0.1; [result]=bayes(x,pw1,pw2); 2.最小风险贝叶斯决策(m2.m) x=[-3.9847 -3.5549 -1.2401 -0.9780 -0.7932 -2.8531 -2.7605 -3.7287 -3.5414 -2.2692 -3.4549 -3.0752 -3.9934 2.8792 -0.9780 0.7932 1.1882 3.0682 -1.5799 -1.4885 0.7431 -0.4221 -1.1186 4.2532 ] pw1=0.9; pw2=0.1; m=numel(x); %得到待测细胞个数 R1_x=zeros(1,m); %存放把样本X判为正常细胞所造成的整体损失 R2_x=zeros(1,m); %存放把样本X判为奇怪细胞所造成的整体损失 result=zeros(1,m); %存放对比结果 e1=-2;a1=0.5; e2=2;a2=2; %类条件概率分布px_w1:（-2，0.25） px_w2（2,4） r11=0;r12=2; r21=4;r22=0; %风险决策表 for i=1:m %计算两类风险值 R1_x(i)=r11*pw1*normpdf(x(i),e1,a1)/(pw1*normpdf(x(i),e1,a1)+pw2*normpdf(x(i),e2,a2))+r21*pw2*normpdf(x(i),e2,a2)/(pw1*normpdf(x(i),e1,a1)+pw2*normpdf(x(i),e2,a2)); R2_x(i)=r12*pw1*normpdf(x(i),e1,a1)/(pw1*normpdf(x(i),e1,a1)+pw2*normpdf(x(i),e2,a2))+r22*pw2*normpdf(x(i),e2,a2)/(pw1*normpdf(x(i),e1,a1)+pw2*normpdf(x(i),e2,a2)); end for i=1:m if R2_x(i)>R1_x(i) %其次类比第一类风险大 result(i)=0; %判为正常细胞（损失较小），用0表示 else result(i)=1; %判为奇怪细胞，用1表示 end end a=[-5:0.05:5] ; %取样本点以画图 n=numel(a); R1_plot=zeros(1,n); R2_plot=zeros(1,n); for j=1:n R1_plot(j)=r11*pw1*normpdf(a(j),e1,a1)/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf(a(j),e2,a2))+r21*pw2*normpdf(a(j),e2,a2)/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf(a(j),e2,a2)) R2_plot(j)=r12*pw1*normpdf(a(j),e1,a1)/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf(a — 7 —。