版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、模式識(shí)別原理與應(yīng)用非參數(shù)估計(jì) 第四周一、 密度估計(jì)上圖為一個(gè)N(-5,4)正態(tài)分布和N(5,2)正態(tài)分布相疊加的分布,后面將圍繞這個(gè)分布分別使用直方圖密度估計(jì)和核密度估計(jì)。1、基于直方圖密度估計(jì)基于直方圖密度估計(jì)的缺點(diǎn):樣本量要大,間隔控量,不光滑,下面為直方圖密度估計(jì)的代碼:clear;% 繪制原始圖像X=(-25:0.002:15);Y=(normpdf(X,-5,4)+normpdf(X,5,2)/2;figure(1);plot(X,Y);% 隨機(jī)生成1000個(gè)N(-5,4)正態(tài)分布和1000個(gè)N(5,2)正態(tài)分布rndDistribute=normrnd(-5,4,1000,1);n
2、ormrnd(5,2,1000,1);n=2000; % 直方圖生成dif=1; %直方圖間隔n=(max(rndDistribute)-min(rndDistribute)/dif; %直方圖條數(shù)H X=hist(rndDistribute,n);H=H/sum(H)/dif;figure(2);bar(X,H);結(jié)果:2、核密度估計(jì)概率密度函數(shù)為pnx=knnVn=1n i=1n1VnK(x-xihn) ,其中K(u)為核函數(shù),這里給出兩種常用的核函數(shù)。利用核函數(shù)Ku=1u120otherwise得到的結(jié)果:其中,hn分別為0.5,0.8,1,2。利用核函數(shù)Kz=12exp-z22得到的結(jié)
3、果:其中,hn分別為0.5,0.8,1,2。這里程序定義了兩個(gè)函數(shù):Kernel.m,Density.m。Kernel.m主要是通過傳入的method參數(shù)來(lái)分別調(diào)用這兩種核函數(shù),Density.m是計(jì)算核密度估計(jì)公式pnx=1n i=1n1VnK(x-xihn)主程序就是根據(jù)不同的參數(shù)調(diào)用Density并繪制圖像。源代碼如下:function K = Kernel( ui,method )%KERNEL 01核 高斯核 if strcmp(method,01) t=zeros(size(ui); t(abs(ui)=0.5)=1; K=sum(t); elseif strcmp(method,
4、GAS) t=1/sqrt(2*pi).*exp(-ui.2/2); K=sum(t); endendfunction kn = Density(rndDistribute, x,hn,method )%公式計(jì)算 kn=zeros(size(x); for i=1:1:size(x,2); kn(i)=Kernel(rndDistribute-x(i)/hn,method)/hn; end kn=kn/size(rndDistribute,1);endclear;% 繪制原始圖像X=(-25:0.002:15);Y=(normpdf(X,-5,4)+normpdf(X,5,2)/2;figur
5、e(1);plot(X,Y);% 隨機(jī)生成1000個(gè)N(-5,4)正態(tài)分布和1000個(gè)N(5,2)正態(tài)分布rndDistribute=normrnd(-5,4,1000,1);normrnd(5,2,1000,1);n=2000;% 核密度估計(jì)% 01核 和 高斯核% hn 分別為 0.5 0.8 1 2% 01核figure(2);x=-25:0.01:15;hn=0.5;kn=Density(rndDistribute,x,hn,01);subplot(2,2,1);plot(x,kn);hn=0.8;kn=Density(rndDistribute,x,hn,01);subplot(2,
6、2,2);plot(x,kn);hn=1;kn=Density(rndDistribute,x,hn,01);subplot(2,2,3);plot(x,kn);hn=2;kn=Density(rndDistribute,x,hn,01);subplot(2,2,4);plot(x,kn);% 高斯核figure(3);x=-25:0.01:15;hn=0.5;kn=Density(rndDistribute,x,hn,GAS);subplot(2,2,1);plot(x,kn);hn=0.8;kn=Density(rndDistribute,x,hn,GAS);subplot(2,2,2);
7、plot(x,kn);hn=1;kn=Density(rndDistribute,x,hn,GAS);subplot(2,2,3);plot(x,kn);hn=2;kn=Density(rndDistribute,x,hn,GAS);subplot(2,2,4);plot(x,kn);二、 k近鄰分類器(kNN)根據(jù)貝葉斯公式Pwix=pnxwiPwipnx,其中Pwi=nin、pnxwi=kiniVn、pnx=knnVn,得出Pwix=kikn。也即,某點(diǎn)的類別和其鄰域內(nèi)相鄰的幾個(gè)點(diǎn)有關(guān)(k1+k2+kc=kn,n1+n2+nc=n)。這里用的是iris數(shù)據(jù)拿來(lái)測(cè)試,iris數(shù)據(jù)每類的前25
8、個(gè)為訓(xùn)練數(shù)據(jù),每類的后25個(gè)為測(cè)試數(shù)據(jù)。clear;% 加載數(shù)據(jù)load fisheriris;irisFeatures=meas;% 創(chuàng)建訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)irisTrain=irisFeatures(1:25,:);irisFeatures(51:75,:);irisFeatures(101:125,:);irisTrainNum=ones(25,1);ones(25,1)*2;ones(25,1)*3;irisTest=irisFeatures(26:50,:);irisFeatures(76:100,:);irisFeatures(126:150,:);% 創(chuàng)建knn分類器,近鄰點(diǎn)個(gè)數(shù)
9、為15mdl=fitcknn(irisTrain,irisTrainNum,NumNeighbors,15);% 預(yù)測(cè)測(cè)試點(diǎn)的類別irisTestNum=predict(mdl,irisTest);% 統(tǒng)計(jì)結(jié)果sum=0;for i=1:1:75 if(irisTestNum(i) = irisTrainNum(i) sum=sum+1; endenddisp(1-sum/75.0);% 顯示結(jié)果stem(irisTestNum);這里采用的是15近鄰分類器,其中測(cè)試數(shù)據(jù)的準(zhǔn)確率達(dá)到93.33%。下圖為具體的結(jié)果。三、 MeanShift聚類MeanShift可以用與聚類、圖像處理以及運(yùn)動(dòng)跟蹤
10、上,其核心公式為x=i=1nxiKx-xihi=1nKx-xih通過多次迭代,最終可以收斂到局部最優(yōu)的位置,其中核函數(shù)K()為Kz=12exp-z22算法的大致流程為:第一步、從x*=xj出發(fā)第二步、 x=i=1nxiKx*-xihi=1nKx*-xih,若x-x*2dif pre_x=x; u=0 0; %分子 d=0; %分母 %公式 分子和分母 累加 for i=1:n ui=(x-data(i,:)/h; k=(1/sqrt(2*pi)*exp(-0.5*norm(ui).2); %高斯核 u=u+data(i,:)*k; d=d+k; end x=u/d; end sortNum(j
11、,:)=x;end% 聚類label=zeros(n,1); %創(chuàng)建標(biāo)簽nowId=1; %最大類別idlabel(1)=nowId; %設(shè)置第一個(gè)點(diǎn)的標(biāo)簽為1% 計(jì)算所有點(diǎn)的標(biāo)簽for i=2:1:size(sortNum,1) % 將該點(diǎn)的最終迭代坐標(biāo)與已知標(biāo)簽點(diǎn)的最終迭代坐標(biāo)比較 % 這里設(shè)置兩坐標(biāo)之差的二范數(shù)小于2到3倍的dif 則聚為一類 % 否則為新的標(biāo)簽 flag=0; %用來(lái)判斷是否找到同類的點(diǎn) for j=1:1:i-1 if norm(sortNum(i,:)-sortNum(j,:)dif*3 label(i)=label(j); flag=1; break; end end if(flag=0) nowId=nowId+1; label(i)=nowId;
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫(kù)網(wǎng)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 2024年玻纖網(wǎng)合作協(xié)議書
- 2024年礦物計(jì)量采樣設(shè)備項(xiàng)目合作計(jì)劃書
- 2024年衛(wèi)生知識(shí)健康教育知識(shí)競(jìng)賽-醫(yī)療質(zhì)量與安全管理知識(shí)競(jìng)賽考試近5年真題集錦(頻考類試題)帶答案
- 教育城土方清運(yùn)協(xié)議
- 2024年醫(yī)藥衛(wèi)生考試-醫(yī)療保險(xiǎn)醫(yī)保醫(yī)師考試近5年真題集錦(頻考類試題)帶答案
- 航空航天融資居間協(xié)議樣本
- 民宿改造意向協(xié)議
- 2024年腈綸扁平絲項(xiàng)目發(fā)展計(jì)劃
- 2024年農(nóng)林牧漁職業(yè)技能考試-拖拉機(jī)及聯(lián)合收割機(jī)駕駛員農(nóng)機(jī)駕駛員考試近5年真題集錦(頻考類試題)帶答案
- 影視行業(yè)市場(chǎng)調(diào)研居間合同
- 數(shù)量經(jīng)濟(jì)學(xué):非參數(shù)信息擴(kuò)散模型在風(fēng)險(xiǎn)評(píng)估
- 中小學(xué)法制教育考核方案
- 零售超市銷售人員激勵(lì)機(jī)制研究—以聯(lián)華超市為例
- 嶺南版六年級(jí)美術(shù)上冊(cè)教學(xué)工作計(jì)劃
- 全市水資源稅改革試點(diǎn)實(shí)施情況調(diào)研情況匯報(bào)
- 物流工程-基于仿真技術(shù)的沈陽(yáng)卷煙廠生產(chǎn)物流優(yōu)化設(shè)計(jì)論文
- 蝴蝶效應(yīng)PPT優(yōu)秀課件
- 化學(xué)品安全技術(shù)說(shuō)明書MSDS不飽和聚酯樹脂
- 醫(yī)療服務(wù)質(zhì)量整體評(píng)估管理的內(nèi)容
- 學(xué)練優(yōu)人教版七年級(jí)語(yǔ)文上冊(cè)同步練習(xí)題7.散文詩(shī)二首
- 老漕河地質(zhì)報(bào)告2015.1.20解析
評(píng)論
0/150
提交評(píng)論