模式識別期末試題【精選文檔】

1、模式識別期末試題【精選文檔】一、 填空與選擇填空（本題答案寫在此試卷上，30分) 1、模式識別系統(tǒng)的基本構成單元包括： 模式采集 、 特征提取與選擇 和 模式分類 。2、統(tǒng)計模式識別中描述模式的方法一般使用 特真矢量 ；句法模式識別中模式描述方法一般有 串 、 樹 、 網 .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)計模式識別方法（4）句法模式識別方法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、 下列函數(shù)可以作為聚類分析中的

2、準則函數(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, A®01, A ® 0A1 ， A ® 1A0 ， B ® BA , B ® 0， A） (2）

3、（A, 0， 1, A®0， A ® 0A， A） （3）（S， a, b， S ® 00S, S ® 11S, S ® 00， S ® 11, S）（4)（A, 0, 1, A®01， A ® 0A1， A ® 1A0, A）9、影響層次聚類算法結果的主要因素有( 計算模式距離的測度、（聚類準則、類間距離門限、預定的類別數(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)的正負和數(shù)值

4、大小的幾何意義是（正（負)表示樣本點位于判別界面法向量指向的正（負）半空間中；絕對值正比于樣本點到判別界面的距離。）。12、感知器算法 1 。 （1）只適用于線性可分的情況；(2）線性可分、不可分都適用。13、積累勢函數(shù)法較之于HK算法的優(yōu)點是（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）的關系為（）。 14、在統(tǒng)計模式分類問題中，聶曼-皮爾遜判決準則主要用于（ 某一種判決錯誤較另一種判決錯誤更為重要）情況；最小最大判決準則主要用于（ 先驗概率未知的）情況。15、“特征個數(shù)越多越有利于分類”這種說法正確嗎?（ 錯誤 ）。特征選擇的主要目的

5、是(從n個特征中選出最有利于分類的的m個特征（mn),以降低特征維數(shù)）.一般在（ 可分性判據對特征個數(shù)具有單調性）和（ Cnm>n ）的條件下，可以使用分支定界法以減少計算量。16、 散度Jij越大,說明wi類模式與wj類模式的分布(差別越大）；當wi類模式與wj類模式的分布相同時，Jij=（0）。17、 已知有限狀態(tài)自動機Af=(å,Q,d，q0，F(xiàn)）,å=0,1;Q=q0，q1；d：d（q0，0）= q1，d（q0，1）= q1，d(q1，0)=q0，d(q1，1）=q0；q0=q0；F=q0?，F(xiàn)有輸入字符串：（a) 00011101011,（b） 1100110

6、011，（c） 101100111000，(d)0010011,試問，用Af對上述字符串進行分類的結果為（ 1:a,d;2：b，c ）.18、影響聚類算法結果的主要因素有（ ）。已知類別的樣本質量；分類準則;特征選取；模式相似性測度。19、模式識別中，馬式距離較之于歐式距離的優(yōu)點是( )。 平移不變性;旋轉不變性；尺度不變性；考慮了模式的分布。20、基于二次準則函數(shù)的H-K算法較之于感知器算法的優(yōu)點是（ ）?？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；其解的適應性更好；計算量小。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；聚類準則;初始類心的選取。2

7、2、位勢函數(shù)法的積累勢函數(shù)K（x）的作用相當于Bayes判決中的( ）.先驗概率；后驗概率；類概率密度；類概率密度與先驗概率的乘積。23、在統(tǒng)計模式分類問題中，當先驗概率未知時，可以使用（ ）。最小損失準則；最小最大損失準則；最小誤判概率準則；NP判決。24、在( )情況下，用分支定界法做特征選擇計算量相對較少.Cnd>n，（n為原特征個數(shù)，d為要選出的特征個數(shù))；樣本較多;選用的可分性判據J對特征數(shù)目單調不減；選用的可分性判據J具有可加性。25、 散度JD是根據（ )構造的可分性判據.先驗概率；后驗概率;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（ ）估計該

8、似然函數(shù).矩估計；最大似然估計；Bayes估計；Bayes學習；Parzen窗法。27、Kn近鄰元法較之Parzen窗法的優(yōu)點是（ )。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：( ）。變換產生的新分量正交或不相關；以部分新的分量表示原矢量均方誤差最小；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?。粯颖境蕡F狀分布；樣本呈鏈狀分布。30、如果以特征向量的相關系數(shù)作為模式相似性測度，則影響聚類算法結果的主要因素有（ ）.已知類別樣本質量；分類準則;特征選取

9、;量綱。二、（15分）簡答及證明題 （1）影響聚類結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)的正負和數(shù)值大小在分類中的意義并證明之。答:（1）（4分）的絕對值正比于到超平面的距離 式（1-1)的分子為判別函數(shù)絕對值,上式表明,的值正比于到超平面的距離，一個特征矢量代入判別函數(shù)后所得值的絕對值越大表明該特征點距判別界面越遠。 （2）（4分)判別函數(shù)值的正負表示出特征點位于哪個半空間中，或者換句話說，表示特征點位于界面的哪一側.四、（12分,

10、每問4分） 在目標識別中，假定有農田和裝甲車兩種類型，類型w1和類型w2分別代表農田和裝甲車，它們的先驗概率分別為0.8和0.2，損失函數(shù)如表1所示?，F(xiàn)在做了三次試驗，獲得三個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則判決三個樣本各屬于哪一個類型；(2)假定只考慮前兩種判決,試用貝葉斯最小風險準則判決三個樣本各屬于哪一類；（3）把拒絕判決考慮在內，重新考核三次試驗的結果。 表1類型損失判決145111解：由題可知：，（1)（4分）根據貝葉斯最小誤判概率準則知:,則可以任判;，則判為；，則判為;(2）(4分）由題可知:則 ，判為;

11、 ，判為； ,判為；（3）（4分)對于兩類問題，對于樣本，假設已知，有則對于第一個樣本，則拒判；，則拒判；，拒判。 五、1。監(jiān)督學習與非監(jiān)督學習的區(qū)別：監(jiān)督學習方法用來對數(shù)據實現(xiàn)分類，分類規(guī)則通過訓練獲得。該訓練集由帶分類號的數(shù)據集組成，因此監(jiān)督學習方法的訓練過程是離線的。非監(jiān)督學習方法不需要單獨的離線訓練過程，也沒有帶分類號（標號）的訓練數(shù)據集,一般用來對數(shù)據集進行分析，如聚類，確定其分布的主分量等。(實例：道路圖)就道路圖像的分割而言，監(jiān)督學習方法則先在訓練用圖像中獲取道路象素與非道路象素集，進行分類器設計，然后用所設計的分類器對道路圖像進行分割。使用非監(jiān)督學習方法，則依據道路路面象素與非

12、道路象素之間的聚類分析進行聚類運算,以實現(xiàn)道路圖像的分割。2。 線性分類器三種最優(yōu)準則：Fisher準則：根據兩類樣本一般類內密集， 類間分離的特點，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盡可能密集，類間盡可能分開。該種度量通過類內離散矩陣Sw和類間離散矩陣Sb實現(xiàn)。感知準則函數(shù)：準則函數(shù)以使錯分類樣本到分界面距離之和最小為原則.其優(yōu)點是通過錯分類樣本提供的信息對分類器函數(shù)進行修正,這種準則是人工神經元網絡多層感知器的基礎。支持向量機:基本思想是在兩類線性可分條件下，所設計的分類器界面使兩類之間的間隔為最大, 它的基本出發(fā)點是使期望泛化風險盡可能小。一、 試說明M

13、ahalanobis距離平方的定義，到某點的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為兩個數(shù)據，是一個正定對稱矩陣（一般為協(xié)方差矩陣）。根據定義，距某一點的Mahalanobis距離相等點的軌跡是超橢球，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)督學習與非監(jiān)督學習兩種方法對道路圖像中道路區(qū)域的劃分的基本做法，以說明這兩種學習方法的定義與它們間的區(qū)別。答：監(jiān)督學習方法用來對數(shù)據實現(xiàn)分類，分類規(guī)則通過訓練獲得。該訓練集由帶分類號的數(shù)據集組成，因此監(jiān)督學習方法的訓練過程

14、是離線的。非監(jiān)督學習方法不需要單獨的離線訓練過程,也沒有帶分類號（標號）的訓練數(shù)據集，一般用來對數(shù)據集進行分析，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)督學習方法則先在訓練用圖像中獲取道路象素與非道路象素集,進行分類器設計，然后用所設計的分類器對道路圖像進行分割。使用非監(jiān)督學習方法，則依據道路路面象素與非道路象素之間的聚類分析進行聚類運算，以實現(xiàn)道路圖像的分割。三、 試述動態(tài)聚類與分級聚類這兩種方法的原理與不同。答：動態(tài)聚類是指對當前聚類通過迭代運算改善聚類；分級聚類則是將樣本個體，按相似度標準合并，隨著相似度要求的降低實現(xiàn)合并.四、 試說明以下問題求解是基于監(jiān)督學習或是非監(jiān)督學

15、習:1. 求數(shù)據集的主分量2。 漢字識別3. 自組織特征映射4. CT圖像的分割答: 1、求數(shù)據集的主分量是非監(jiān)督學習方法;2、漢字識別對待識別字符加上相應類別號-有監(jiān)督學習方法；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)督學習；4、CT圖像分割按數(shù)據自然分布聚類-非監(jiān)督學習方法；五、 試列舉線性分類器中最著名的三種最佳準則以及它們各自的原理.答:線性分類器三種最優(yōu)準則：Fisher準則：根據兩類樣本一般類內密集, 類間分離的特點，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盡可能密集，類間盡可能分開.該種度量通過類內離散矩陣Sw和類間離散矩陣Sb實現(xiàn)。感知

16、準則函數(shù)：準則函數(shù)以使錯分類樣本到分界面距離之和最小為原則。其優(yōu)點是通過錯分類樣本提供的信息對分類器函數(shù)進行修正,這種準則是人工神經元網絡多層感知器的基礎。支持向量機：基本思想是在兩類線性可分條件下,所設計的分類器界面使兩類之間的間隔為最大, 它的基本出發(fā)點是使期望泛化風險盡可能小。十、對一副道路圖像，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窗口，把在這兩個窗口中的象素數(shù)據作為訓練集,用Fisher準則方法求得分類器參數(shù)，再用該分類器對整幅圖進行分類。2將整幅圖的每個象素的屬性記錄在一張數(shù)據表中，然后用某種方法將這些數(shù)據按它們的自然分布狀況劃

17、分成兩類。因此每個象素就分別得到相應的類別號,從而實現(xiàn)了道路圖像的分割.試問以上兩種方法哪一種是監(jiān)督學習，哪個是非監(jiān)督學習？答：第一種方法中標記了兩類樣本的標號，需要人手工干預訓練過程，屬于監(jiān)督學習方法;第二種方法只是依照數(shù)據的自然分布，把它們劃分成兩類,屬于非監(jiān)督學習方法.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，得出使得錯誤率最小的分類規(guī)則. 2。 基于最小風險的貝葉斯決策，引入了損失函數(shù)，得出使決策風險最小的分類。當在01損失函數(shù)條件下，基于最小風險的貝葉斯決策變成基于最小錯誤率的貝葉斯決策。 3。 在限

18、定一類錯誤率條件下使另一類錯誤率最小的兩類別決策。 4. 最大最小決策：類先驗概率未知，考察先驗概率變化對錯誤率的影響，找出使最小貝葉斯奉獻最大的先驗概率,以這種最壞情況設計分類器。 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，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，同時平衡總的損失，以求得最有效益。十四、假設在某個地區(qū)細胞識別中正常（w1）和異常(w2)兩類先驗概率分別為 P（w1)=0.9,P（w2）=0.1，現(xiàn)有一待識別的細胞，其觀察值為x，從類條件概率密度分布曲線上查得，并且已知，,試對該細胞x用一下兩種方法進行分類：1.基于最小錯誤率的貝葉斯

19、決策；2?；谧钚★L險的貝葉斯決策；請分析兩種結果的異同及原因。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：實際中有很多模式識別問題并不是線性可分的，這時就需要采用非線性分類器，比如當兩類樣本分不具有多峰性質并互相交錯時，簡單的線性判別函數(shù)往往會帶來較大的分類錯誤。這時，樹分類器作為一種分段線性分類器,常常能有效地應用于這種情況.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到降低特征空間維數(shù)的目的。 2。 Fisher線性判別：可以考慮把