模式識(shí)別期末試題

1、-作者xxxx-日期xxxx模式識(shí)別期末試題【精品文檔】一、 填空與選擇填空（本題答案寫在此試卷上，30分） 1、模式識(shí)別系統(tǒng)的基本構(gòu)成單元包括： 模式采集 、 特征提取與選擇 和 模式分類 。2、統(tǒng)計(jì)模式識(shí)別中描述模式的方法一般使用 特真矢量 ；句法模式識(shí)別中模式描述方法一般有 串 、 樹 、 網(wǎng) 。3、聚類分析算法屬于 （1） ；判別域代數(shù)界面方程法屬于 （3） 。 （1）無監(jiān)督分類 (2)有監(jiān)督分類 （3）統(tǒng)計(jì)模式識(shí)別方法（4）句法模式識(shí)別方法4、若描述模式的特征量為0-1二值特征量，則一般采用 （4） 進(jìn)行相似性度量。（1）距離測度 （2）模糊測度 （3）相似測度 （4）匹配測度5、

2、下列函數(shù)可以作為聚類分析中的準(zhǔn)則函數(shù)的有 （1）（3）（4） 。 （1） （2） (3) (4) 6、Fisher線性判別函數(shù)的求解過程是將N維特征矢量投影在 （2） 中進(jìn)行 。 （1）二維空間 （2）一維空間 （3）N-1維空間7、下列判別域界面方程法中只適用于線性可分情況的算法有 （1） ；線性可分、不可分都適用的有 （3） 。 （1）感知器算法 （2）H-K算法 （3）積累位勢函數(shù)法 8、下列四元組中滿足文法定義的有 （1）（2）（4） 。（1）(A, B, 0, 1, A01, A 0A1 , A 1A0 , B BA , B 0, A) （2）(A, 0, 1, A0, A 0A,

3、A) （3）(S, a, b, S 00S, S 11S, S 00, S 11, S)（4）(A, 0, 1, A01, A 0A1, A 1A0, A)9、影響層次聚類算法結(jié)果的主要因素有（ 計(jì)算模式距離的測度、（聚類準(zhǔn)則、類間距離門限、預(yù)定的類別數(shù)目）。10、歐式距離具有（ 1、2 ）；馬式距離具有（ 1、2、3、4 ）。 （1）平移不變性（2）旋轉(zhuǎn)不變性（3）尺度縮放不變性（4）不受量綱影響的特性11、線性判別函數(shù)的正負(fù)和數(shù)值大小的幾何意義是（正（負(fù)）表示樣本點(diǎn)位于判別界面法向量指向的正（負(fù)）半空間中；絕對(duì)值正比于樣本點(diǎn)到判別界面的距離。）。12、感知器算法 1 。 （1）只適用于線性

4、可分的情況；（2）線性可分、不可分都適用。13、積累勢函數(shù)法較之于H-K算法的優(yōu)點(diǎn)是（該方法可用于非線性可分情況（也可用于線性可分情況） ）；位勢函數(shù)K(x,xk)與積累位勢函數(shù)K(x)的關(guān)系為（）。 14、在統(tǒng)計(jì)模式分類問題中，聶曼-皮爾遜判決準(zhǔn)則主要用于（ 某一種判決錯(cuò)誤較另一種判決錯(cuò)誤更為重要）情況；最小最大判決準(zhǔn)則主要用于（ 先驗(yàn)概率未知的）情況。15、“特征個(gè)數(shù)越多越有利于分類”這種說法正確嗎？（ 錯(cuò)誤 ）。特征選擇的主要目的是（從n個(gè)特征中選出最有利于分類的的m個(gè)特征（mn ）的條件下，可以使用分支定界法以減少計(jì)算量。16、 散度Jij越大，說明wi類模式與wj類模式的分布（差別越

5、大）；當(dāng)wi類模式與wj類模式的分布相同時(shí)，Jij=（0）。17、 已知有限狀態(tài)自動(dòng)機(jī)Af=(，Q，d，q0，F(xiàn))，=0，1；Q=q0，q1；d：d(q0，0)= q1，d(q0，1)= q1，d(q1，0)=q0，d 1:a,d;2:b,c ）。18、影響聚類算法結(jié)果的主要因素有（ ）。已知類別的樣本質(zhì)量；分類準(zhǔn)則；特征選??；模式相似性測度。19、模式識(shí)別中，馬式距離較之于歐式距離的優(yōu)點(diǎn)是（ ）。 平移不變性；旋轉(zhuǎn)不變性；尺度不變性；考慮了模式的分布。20、基于二次準(zhǔn)則函數(shù)的H-K算法較之于感知器算法的優(yōu)點(diǎn)是（ ）?？梢耘袆e問題是否線性可分；其解完全適用于非線性可分的情況；其解的適應(yīng)性更好；

6、計(jì)算量小。21、影響基本C均值算法的主要因素有（ ）。樣本輸入順序；模式相似性測度；聚類準(zhǔn)則；初始類心的選取。22、位勢函數(shù)法的積累勢函數(shù)K(x)的作用相當(dāng)于Bayes判決中的（ ）。先驗(yàn)概率；后驗(yàn)概率；類概率密度；類概率密度與先驗(yàn)概率的乘積。23、在統(tǒng)計(jì)模式分類問題中，當(dāng)先驗(yàn)概率未知時(shí)，可以使用（ ）。最小損失準(zhǔn)則；最小最大損失準(zhǔn)則；最小誤判概率準(zhǔn)則；N-P判決。24、在（ ）情況下，用分支定界法做特征選擇計(jì)算量相對(duì)較少。Cndn,（n為原特征個(gè)數(shù)，d為要選出的特征個(gè)數(shù)）；樣本較多；選用的可分性判據(jù)J對(duì)特征數(shù)目單調(diào)不減；選用的可分性判據(jù)J具有可加性。25、 散度JD是根據(jù)（ ）構(gòu)造的可分性判

7、據(jù)。先驗(yàn)概率；后驗(yàn)概率；類概率密度；信息熵；幾何距離。26、似然函數(shù)的概型已知且為單峰，則可用（ ）估計(jì)該似然函數(shù)。矩估計(jì)；最大似然估計(jì)；Bayes估計(jì)；Bayes學(xué)習(xí)；Parzen窗法。27、Kn近鄰元法較之Parzen窗法的優(yōu)點(diǎn)是（ ）。所需樣本數(shù)較少；穩(wěn)定性較好；分辨率較高；連續(xù)性較好。28、從分類的角度講，用DKLT做特征提取主要利用了DKLT的性質(zhì)：（ ）。變換產(chǎn)生的新分量正交或不相關(guān)；以部分新的分量表示原矢量均方誤差最??；使變換后的矢量能量更趨集中；29、一般，剪輯k-NN最近鄰方法在（ ）的情況下效果較好。樣本數(shù)較大；樣本數(shù)較小；樣本呈團(tuán)狀分布；樣本呈鏈狀分布。30、如果以特征向

8、量的相關(guān)系數(shù)作為模式相似性測度，則影響聚類算法結(jié)果的主要因素有（ ）。已知類別樣本質(zhì)量；分類準(zhǔn)則；特征選??；量綱。二、(15分)簡答及證明題 （1）影響聚類結(jié)果的主要因素有那些？（2）證明馬氏距離是平移不變的、非奇異線性變換不變的。答：（1）分類準(zhǔn)則，模式相似性測度，特征量的選擇，量綱。（2）證明： (2分) (2分)(1分)三、(8分)說明線性判別函數(shù)的正負(fù)和數(shù)值大小在分類中的意義并證明之。答：（1）（4分）的絕對(duì)值正比于到超平面的距離 式(1-1)的分子為判別函數(shù)絕對(duì)值，上式表明，的值正比于到超平面的距離，一個(gè)特征矢量代入判別函數(shù)后所得值的絕對(duì)值越大表明該特征點(diǎn)距判別界面越遠(yuǎn)。 （2）（4

9、分）判別函數(shù)值的正負(fù)表示出特征點(diǎn)位于哪個(gè)半空間中，或者換句話說，表示特征點(diǎn)位于界面的哪一側(cè)。四、(12分，每問4分) 在目標(biāo)識(shí)別中，假定有農(nóng)田和裝甲車兩種類型，類型w1和類型w2分別代表農(nóng)田和裝甲車，它們的先驗(yàn)概率分別為0.8和0.2，損失函數(shù)如表1所示?，F(xiàn)在做了三次試驗(yàn)，獲得三個(gè)樣本的類概率密度如下： ：0.3，0.1，0.6 ：0.7，0.8，0.3 （1）試用貝葉斯最小誤判概率準(zhǔn)則判決三個(gè)樣本各屬于哪一個(gè)類型；（2）假定只考慮前兩種判決，試用貝葉斯最小風(fēng)險(xiǎn)準(zhǔn)則判決三個(gè)樣本各屬于哪一類；（3）把拒絕判決考慮在內(nèi)，重新考核三次試驗(yàn)的結(jié)果。 表1類型損失判決145111解：由題可知：，（1）（

10、4分）根據(jù)貝葉斯最小誤判概率準(zhǔn)則知：，則可以任判；，則判為；，則判為；（2）（4分）由題可知：則 ，判為； ，判為； ，判為；（3）（4分）對(duì)于兩類問題，對(duì)于樣本，假設(shè)已知，有則對(duì)于第一個(gè)樣本，則拒判；，則拒判；，拒判。 五、1.監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)的區(qū)別：監(jiān)督學(xué)習(xí)方法用來對(duì)數(shù)據(jù)實(shí)現(xiàn)分類，分類規(guī)則通過訓(xùn)練獲得。該訓(xùn)練集由帶分類號(hào)的數(shù)據(jù)集組成，因此監(jiān)督學(xué)習(xí)方法的訓(xùn)練過程是離線的。非監(jiān)督學(xué)習(xí)方法不需要單獨(dú)的離線訓(xùn)練過程，也沒有帶分類號(hào)（標(biāo)號(hào)）的訓(xùn)練數(shù)據(jù)集，一般用來對(duì)數(shù)據(jù)集進(jìn)行分析，如聚類，確定其分布的主分量等。（實(shí)例：道路圖）就道路圖像的分割而言，監(jiān)督學(xué)習(xí)方法則先在訓(xùn)練用圖像中獲取道路象素與非道路

11、象素集，進(jìn)行分類器設(shè)計(jì)，然后用所設(shè)計(jì)的分類器對(duì)道路圖像進(jìn)行分割。使用非監(jiān)督學(xué)習(xí)方法，則依據(jù)道路路面象素與非道路象素之間的聚類分析進(jìn)行聚類運(yùn)算，以實(shí)現(xiàn)道路圖像的分割。2. 線性分類器三種最優(yōu)準(zhǔn)則：Fisher準(zhǔn)則：根據(jù)兩類樣本一般類內(nèi)密集, 類間分離的特點(diǎn)，尋找線性分類器最佳的法線向量方向，使兩類樣本在該方向上的投影滿足類內(nèi)盡可能密集，類間盡可能分開。該種度量通過類內(nèi)離散矩陣Sw和類間離散矩陣Sb實(shí)現(xiàn)。感知準(zhǔn)則函數(shù)：準(zhǔn)則函數(shù)以使錯(cuò)分類樣本到分界面距離之和最小為原則。其優(yōu)點(diǎn)是通過錯(cuò)分類樣本提供的信息對(duì)分類器函數(shù)進(jìn)行修正，這種準(zhǔn)則是人工神經(jīng)元網(wǎng)絡(luò)多層感知器的基礎(chǔ)。支持向量機(jī)：基本思想是在兩類線性可分

12、條件下，所設(shè)計(jì)的分類器界面使兩類之間的間隔為最大, 它的基本出發(fā)點(diǎn)是使期望泛化風(fēng)險(xiǎn)盡可能小。一、 試說明Mahalanobis距離平方的定義，到某點(diǎn)的Mahalanobis距離平方為常數(shù)的軌跡的幾何意義，它與歐氏距離的區(qū)別與聯(lián)系。答：Mahalanobis距離的平方定義為：其中x，u為兩個(gè)數(shù)據(jù)，是一個(gè)正定對(duì)稱矩陣（一般為協(xié)方差矩陣）。根據(jù)定義，距某一點(diǎn)的Mahalanobis距離相等點(diǎn)的軌跡是超橢球，如果是單位矩陣，則Mahalanobis距離就是通常的歐氏距離。二、 試說明用監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)兩種方法對(duì)道路圖像中道路區(qū)域的劃分的基本做法，以說明這兩種學(xué)習(xí)方法的定義與它們間的區(qū)別。答：監(jiān)督學(xué)

13、習(xí)方法用來對(duì)數(shù)據(jù)實(shí)現(xiàn)分類，分類規(guī)則通過訓(xùn)練獲得。該訓(xùn)練集由帶分類號(hào)的數(shù)據(jù)集組成，因此監(jiān)督學(xué)習(xí)方法的訓(xùn)練過程是離線的。非監(jiān)督學(xué)習(xí)方法不需要單獨(dú)的離線訓(xùn)練過程，也沒有帶分類號(hào)（標(biāo)號(hào)）的訓(xùn)練數(shù)據(jù)集，一般用來對(duì)數(shù)據(jù)集進(jìn)行分析，如聚類，確定其分布的主分量等。就道路圖像的分割而言，監(jiān)督學(xué)習(xí)方法則先在訓(xùn)練用圖像中獲取道路象素與非道路象素集，進(jìn)行分類器設(shè)計(jì)，然后用所設(shè)計(jì)的分類器對(duì)道路圖像進(jìn)行分割。使用非監(jiān)督學(xué)習(xí)方法，則依據(jù)道路路面象素與非道路象素之間的聚類分析進(jìn)行聚類運(yùn)算，以實(shí)現(xiàn)道路圖像的分割。三、 試述動(dòng)態(tài)聚類與分級(jí)聚類這兩種方法的原理與不同。答：動(dòng)態(tài)聚類是指對(duì)當(dāng)前聚類通過迭代運(yùn)算改善聚類；分級(jí)聚類則是將樣

14、本個(gè)體，按相似度標(biāo)準(zhǔn)合并，隨著相似度要求的降低實(shí)現(xiàn)合并。四、 試說明以下問題求解是基于監(jiān)督學(xué)習(xí)或是非監(jiān)督學(xué)習(xí)：1. 求數(shù)據(jù)集的主分量2. 漢字識(shí)別3. 自組織特征映射4. CT圖像的分割答： 1、求數(shù)據(jù)集的主分量是非監(jiān)督學(xué)習(xí)方法；2、漢字識(shí)別對(duì)待識(shí)別字符加上相應(yīng)類別號(hào)有監(jiān)督學(xué)習(xí)方法；3、自組織特征映射將高維數(shù)組按保留近似度向低維映射非監(jiān)督學(xué)習(xí)；4、CT圖像分割按數(shù)據(jù)自然分布聚類非監(jiān)督學(xué)習(xí)方法；五、 試列舉線性分類器中最著名的三種最佳準(zhǔn)則以及它們各自的原理。答：線性分類器三種最優(yōu)準(zhǔn)則：Fisher準(zhǔn)則：根據(jù)兩類樣本一般類內(nèi)密集, 類間分離的特點(diǎn)，尋找線性分類器最佳的法線向量方向，使兩類樣本在該方

15、向上的投影滿足類內(nèi)盡可能密集，類間盡可能分開。該種度量通過類內(nèi)離散矩陣Sw和類間離散矩陣Sb實(shí)現(xiàn)。感知準(zhǔn)則函數(shù)：準(zhǔn)則函數(shù)以使錯(cuò)分類樣本到分界面距離之和最小為原則。其優(yōu)點(diǎn)是通過錯(cuò)分類樣本提供的信息對(duì)分類器函數(shù)進(jìn)行修正，這種準(zhǔn)則是人工神經(jīng)元網(wǎng)絡(luò)多層感知器的基礎(chǔ)。支持向量機(jī)：基本思想是在兩類線性可分條件下，所設(shè)計(jì)的分類器界面使兩類之間的間隔為最大, 它的基本出發(fā)點(diǎn)是使期望泛化風(fēng)險(xiǎn)盡可能小。十、對(duì)一副道路圖像，希望把道路部分劃分出來，可以采用以下兩種方法：1在該圖像中分別在道路部分與非道路部分畫出一個(gè)窗口，把在這兩個(gè)窗口中的象素?cái)?shù)據(jù)作為訓(xùn)練集，用Fisher準(zhǔn)則方法求得分類器參數(shù)，再用該分類器對(duì)整幅圖

16、進(jìn)行分類。2將整幅圖的每個(gè)象素的屬性記錄在一張數(shù)據(jù)表中，然后用某種方法將這些數(shù)據(jù)按它們的自然分布狀況劃分成兩類。因此每個(gè)象素就分別得到相應(yīng)的類別號(hào)，從而實(shí)現(xiàn)了道路圖像的分割。試問以上兩種方法哪一種是監(jiān)督學(xué)習(xí)，哪個(gè)是非監(jiān)督學(xué)習(xí)？答：第一種方法中標(biāo)記了兩類樣本的標(biāo)號(hào)，需要人手工干預(yù)訓(xùn)練過程，屬于監(jiān)督學(xué)習(xí)方法；第二種方法只是依照數(shù)據(jù)的自然分布，把它們劃分成兩類，屬于非監(jiān)督學(xué)習(xí)方法。十三、試分析五種常用決策規(guī)則思想方法的異同。答、五種常用決策是： 1. 基于最小錯(cuò)誤率的貝葉斯決策，利用概率論中的貝葉斯公式，得出使得錯(cuò)誤率最小的分類規(guī)則。 2. 基于最小風(fēng)險(xiǎn)的貝葉斯決策，引入了損失函數(shù)，得出使決策風(fēng)險(xiǎn)最

17、小的分類。當(dāng)在01損失函數(shù)條件下，基于最小風(fēng)險(xiǎn)的貝葉斯決策變成基于最小錯(cuò)誤率的貝葉斯決策。 3. 在限定一類錯(cuò)誤率條件下使另一類錯(cuò)誤率最小的兩類別決策。 4. 最大最小決策：類先驗(yàn)概率未知，考察先驗(yàn)概率變化對(duì)錯(cuò)誤率的影響，找出使最小貝葉斯奉獻(xiàn)最大的先驗(yàn)概率，以這種最壞情況設(shè)計(jì)分類器。 5. 序貫分類方法，除了考慮分類造成的損失外，還考慮特征獲取造成的代價(jià)，先用一部分特征分類，然后逐步加入性特征以減少分類損失，同時(shí)平衡總的損失，以求得最有效益。十四、假設(shè)在某個(gè)地區(qū)細(xì)胞識(shí)別中正常（w1）和異常（w2）兩類先驗(yàn)概率分別為 P(w1)=0.9，P(w2)=0.1，現(xiàn)有一待識(shí)別的細(xì)胞，其觀察值為x，從類

18、條件概率密度分布曲線上查得，并且已知，試對(duì)該細(xì)胞x用一下兩種方法進(jìn)行分類：1.基于最小錯(cuò)誤率的貝葉斯決策；2.基于最小風(fēng)險(xiǎn)的貝葉斯決策；請(qǐng)分析兩種結(jié)果的異同及原因。2. 十五、有線性判別函數(shù)，為什么還要引進(jìn)非線性判別函數(shù)？分析由“線性判別函數(shù)”向“非線性判別函數(shù)”推廣的思想和方法。答：實(shí)際中有很多模式識(shí)別問題并不是線性可分的，這時(shí)就需要采用非線性分類器，比如當(dāng)兩類樣本分不具有多峰性質(zhì)并互相交錯(cuò)時(shí)，簡單的線性判別函數(shù)往往會(huì)帶來較大的分類錯(cuò)誤。這時(shí)，樹分類器作為一種分段線性分類器，常常能有效地應(yīng)用于這種情況。十六、1. 什么是特征選擇？2. 什么是Fisher線性判別？答：1. 特征選擇就是從一組特征中挑選出一些最有效的特征以達(dá)到降低特征空間維數(shù)的目的。 2. Fisher線性判別：可以考慮把d維空間的樣