模式識別試題及總結(jié)

1、精品一、 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(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(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(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、 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）（

2、 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,A0A 1 ,A 1A0,BBA,B 0,A)（2）( A, 0, 1, A0, A0A, A)（3）( , a,b, S00,11S,S00,S11,S)SS S

3、（ 4 ）( A, 0, 1, A01,A0 A1,A1A0, A)9 、影響層次聚類算法結(jié)果的主要因素有（計算模式距離的測度、 （聚類準(zhǔn)則、類間距離門限、預(yù)定的類別數(shù)目）。感謝下載載精品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)）表示樣本點位于判別界面法向量指向的正（負(fù)）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

4、H-K 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K ( x)k K (x, xk )xk況） ）；位勢函數(shù) K(x,x k)與積累位勢函數(shù) K(x) 的關(guān)系為（X）。14、在統(tǒng)計模式分類問題中，聶曼- 皮爾遜判決準(zhǔn)則主要用于（某一種判決錯誤較另一種判決錯誤更為重要 ）情況；最小最大判決準(zhǔn)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是（ 從 n 個特征中選出最有利于分類的的m 個特征（ m<n ），以降低特征維數(shù) ）。一般在（ 可分性判據(jù)對特征個數(shù)具有單調(diào)性）和（n m>>n）的條件下

5、，可以使用分支定界法以減少計算量。C16、 散度 Jij 越大，說明i類模式與j 類模式的分布（ 差別越大 ）；當(dāng) i 類模式與j 類模式的分布相同時， Jij= （ 0 ）。17、 已知有限狀態(tài)自動機(jī)Af=(，Q ， ，q0 ，F(xiàn))， =0 ，1 ；Q=q0 ，q1 ； ： (q0 ，0)= q1， (q0 ，1)= q1 ， (q1 ， 0)=q0 ， (q1 ，1)=q0；q0=q0；F=q0 ?，F(xiàn)有輸入字符串：(a) 00011101011，(b)1100110011 ， (c) 101100111000，(d)0010011，試問，用 Af對上述字符串進(jìn)行分類的結(jié)果為（1:a,d;

6、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?。荒Ｊ较嗨菩詼y度。感謝下載載精品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(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)點是（）。可以判別問題是否線性可分；其解完全適用于非線性可分的情況；其解的適應(yīng)性更好；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(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（）。先驗概率；后驗概率；類概率密度；類概

7、率密度與先驗概率的乘積。23、在統(tǒng)計模式分類問題中，當(dāng)先驗概率未知時，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算量相對較少。 Cn d >>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(jù)J 對特征數(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J是根據(jù)（）構(gòu)造的可分性判據(jù)。D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（）估計該似然函數(shù)。矩估計；最大似然估計；Bayes 估計； Bayes 學(xué)習(xí)； Parz

8、en 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(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?。皇棺儞Q后的矢量能量更趨集中；感謝下載載精品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??；樣本呈團(tuán)狀分布；樣本呈鏈狀分布。30 、如果以特征向量的相關(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；特征選取；量綱。二、 (15 分 )簡答及證明題（ 1）影

9、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 )設(shè)，有非奇異線性變換：(1分 )感謝下載載精品(4 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）的絕對值正比于到超平面的距離平面的方程可以寫成式中。于是是平面的單位法矢量，上式可寫成設(shè)是平面中的任一點，是特征空間中任一點， 點到平面的距離為差矢量在上的投影的絕對值，即感謝下載載精品(1-1)上式中利用了在平面中，故滿足方程式 (1-1) 的分子為

10、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(yuǎn)。（ 2 ）（ 4 分）的正（負(fù)）反映在超平面的正（負(fù)）側(cè)兩矢量和的數(shù)積為（2 分）顯然，當(dāng)和夾角小于時，即在指向的那個半空間中，>0 ；反之，當(dāng)和夾角大于時，即在背向的那個半空間中，<0 。由于，故和同號。所以，當(dāng)在指向的半空間中時，；當(dāng)在背向的半空間中，。判別函數(shù)值的正負(fù)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(cè)。五、 (12 分，每問 4 分 ) 在目標(biāo)識別中，假定有農(nóng)田和裝甲車兩種類型，類型1 和類型2 分別代表農(nóng)田和裝甲車，

11、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(zhǔn)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(fēng)險準(zhǔn)則判決三個樣本各屬于哪一類；（ 3 ） 把拒絕判決考慮在內(nèi)，重新考核三次試驗的結(jié)果。表 1感謝下載載精品類型損失1判決1145111解：由題可知：，（ 1 ）（ 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；（

12、3 ）（ 4 分）對于兩類問題，對于樣本，假設(shè)已知，有感謝下載載精品則對于第一個樣本，則拒判；，則拒判；，拒判。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)方法用來對數(shù)據(jù)實現(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)方法不需要單獨的離線訓(xùn)練過程，也沒有帶分類號（標(biāo)號）的訓(xùn)練數(shù)據(jù)集，一般用來對數(shù)據(jù)集進(jìn)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(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，然后用所設(shè)計的分類器對道路圖像進(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

13、象素之間的聚類分析進(jìn)行聚類運算，以實現(xiàn)道路圖像的分割。2. 動態(tài)聚類是指對當(dāng)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(biāo)準(zhǔn)合并，隨著相似度要求的降低實現(xiàn)合并。3. 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，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 實現(xiàn)。感知準(zhǔn)則函數(shù) ：準(zhǔn)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(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

14、思想是在兩類線性可分條件下，所設(shè)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(fēng)險盡可能小。一、試問 “模式 ”與“模式類 ”的含義。如果一位姓王的先生是位老年人，試問“王先生 ”和 “老頭 ”誰是模式，誰是模式類？答：在模式識別學(xué)科中，就“模式 ”與 “模式類 ”而言，模式類是一類事物的代表，概念或典型，而“模式 ”則是某一事物的具體體現(xiàn)，如“老頭 ”是模式類，而王先生則是“模式 ”，是 “老頭 ”的具體化。感謝下載載精品二、試說明 Mahalanobis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： Maha

15、lanobis距離的平方定義為：其中 x， u 為兩個數(shù)據(jù)，是一個正定對稱矩陣（一般為協(xié)方差矩陣）。根據(jù)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。三、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)習(xí)方法用來對數(shù)據(jù)實現(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)方法不需要單獨的離線訓(xùn)練過程，也沒有帶分類號（標(biāo)號）的訓(xùn)練數(shù)據(jù)集，一般用來對數(shù)據(jù)集進(jìn)行分析，如聚類，確定其分布

16、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，然后用所設(shè)計的分類器對道路圖像進(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)行聚類運算，以實現(xiàn)道路圖像的分割。四、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(dāng)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(biāo)準(zhǔn)合并，隨著相似度要求的降低實現(xiàn)合并。五、如果觀察一個時序信號時在離散時刻序列得到的觀察量序列表示為，而該時序信號的內(nèi)在狀態(tài)序列表示成。如果計算在給定O 條件下出現(xiàn)S 的概率，試問此概率是何種概率。如果從觀察序列來估計狀

17、態(tài)序列的最大似然估計，這與Bayes 決策中基于最小錯誤率的決策有什么關(guān)系。答：在給定觀察序列條件下分析它由某個狀態(tài)序列S 產(chǎn)生的概率似后驗概率，寫成P(S|O) ，而通過 O 求對狀態(tài)序列的最大似然估計,與貝葉斯決策的最小錯誤率決策相當(dāng)。感謝下載載精品六、 已知一組數(shù)據(jù)的協(xié)方差矩陣為，試問1 協(xié)方差矩陣中各元素的含義。2 求該數(shù)組的兩個主分量。3 主分量分析或稱 K-L 變換，它的最佳準(zhǔn)則是什么？4 為什么說經(jīng)主分量分析后，消除了各分量之間的相關(guān)性。答：協(xié)方差矩陣為，則1 ） 對角元素是各分量的方差，非對角元素是各分量之間的協(xié)方差。2 ） 主分量，通過求協(xié)方差矩陣的特征值，用得，則，相應(yīng)的特

18、征向量為：，對應(yīng)特征向量為，對應(yīng)。這兩個特征向量即為主分量。3 ） K-L 變換的最佳準(zhǔn)則為：對一組數(shù)據(jù)進(jìn)行按一組正交基分解，在只取相同數(shù)量分量的條件下，以均方誤差計算截尾誤差最小。4 ） 在經(jīng)主分量分解后，協(xié)方差矩陣成為對角矩陣，因而各主分量間相關(guān)消除。七、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 、漢字識別對待識別字符加上相應(yīng)類別號 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

19、監(jiān)督學(xué)習(xí)方法；八、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。感謝下載載精品答：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，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 實現(xiàn)。感知準(zhǔn)則函數(shù) ：準(zhǔn)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(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

20、使期望泛化風(fēng)險盡可能小。九、在一兩維特征空間，兩類決策域由兩條直線H1 和 H2 分界，其中而包含 H1 與 H2 的銳角部分為第一類，其余為第二類。試求：1用一雙層感知器構(gòu)造該分類器2用凹函數(shù)的并構(gòu)造該分類器答：按題意要求1） H1 與 H2 將空間劃分成四個部分， 按使 H1 與 H2 大于零與小于零表示成四個區(qū)域，而第一類屬于 ()區(qū)域，為方便起見， 令則第一類在 ( )區(qū)域。用雙層感知器， 神經(jīng)元用域值，則在第一類樣本輸入時，兩隱層結(jié)點的輸出均為1 ，其余則分別為( )， ( )，( ), 故可按圖設(shè)置域值。感謝下載載精品2） 用凹函數(shù)的并表示：或表示成，如，則，否則十、設(shè)有兩類正態(tài)分

21、布的樣本基于最小錯誤率的貝葉斯決策分界面，分別為X2 =0 ，以及 X1 =3 ，其中兩類的協(xié)方差矩陣，先驗概率相等，并且有，。試求：以及。答：設(shè)待求，待求由于，先驗概率相等。則基于最小錯誤率的Bayes 決策規(guī)則，在兩類決策面分界面上的樣本X 應(yīng)滿足（1 ）其中按題意，（注：為方便起見，在下面計算中先去掉系數(shù)4/3 ）。按題意分界面由x1=3 及 x2=0兩條直線構(gòu)成，則分界面方程為感謝下載載精品(2)對（ 1）式進(jìn)行分解有得（ 3）由（ 3）式第一項得（ 4 ）將（ 4）式與（ 2 ）式對比可知a=1,c=1又由 c=1 與，得 b2=1/4，b 有兩種可能，即b=1/2或 b=-1/2，

22、如果 b=1/2，則表明，此時分界面方程應(yīng)為線性，與題意不符，只有b=-1/2則（ 4）式為： 2X1 X2（5）將相應(yīng)結(jié)果帶入（3）式第二項有（6 ）則結(jié)合（ 5）（ 2）應(yīng)有，則（7 ）感謝下載載精品解得，由得九、證明在 正定或半正定時， Mahalanobis距離 r 符合距離定義的三個條件，即（1 ）r(a,b)=r(b,a)（2 ）當(dāng)且僅當(dāng) a=b 時，有 r(a,b)=0（3 ）r(a,c) r(a,b)+r(b,c)證明：(1) 根據(jù)定義(2) 由于 為對稱陣，故 可以分解為，其中，且所有特征值大于等于零?？梢哉J(rèn)為這就變?yōu)榱藗鹘y(tǒng)意義上的歐氏距離，可以由歐氏距離滿足的性質(zhì)直接證明本

23、命題。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感謝下載載精品素數(shù)據(jù)作為訓(xùn)練集，用 Fisher 準(zhǔn)則方法求得分類器參數(shù)， 再用該分類器對整幅圖進(jìn)行分類。2 將整幅圖的每個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。因此每個象素就分別得到相應(yīng)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(xué)習(xí)，哪個是非監(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， 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

24、兩類，屬于非監(jiān)督學(xué)習(xí)方法。十一、已知有兩類數(shù)據(jù) ,分別為試求：該組數(shù)據(jù)的類內(nèi)及類間離散矩陣及。答：第一類的均值向量為十二、設(shè)一個二維空間中的兩類樣本服從正態(tài)分布，其參數(shù)分別為：感謝下載載精品，先驗概率，試證明：其基于最小錯誤率的貝葉斯決策分界面方程為一圓，并求其方程。證明：先驗概率相等條件下，基于最小錯誤率貝葉斯決策的分界面上兩類條件概率密度函數(shù)相等。因此有：化簡為，是一個圓的方程。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(fēng)險的貝葉斯決策， 引入了損失函數(shù)，得出使

25、決策風(fēng)險最小的分類。 當(dāng)在0 1 損失函數(shù)條件下，基于最小風(fēng)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， 找出使最小感謝下載載精品貝葉斯奉獻(xiàn)最大的先驗概率，以這種最壞情況設(shè)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(shè)在某個地區(qū)細(xì)胞識別中正常 （ w 1）和異常（ w 2）兩類先驗概率分別為P(w 1)=0.9 ，P(w 2 )=

26、0.1 ，現(xiàn)有一待識別的細(xì)胞， 其觀察值為 x，從類條件概率密度分布曲線上查得 P(x w1 ) 0.2 ， P( x w2 ) 0.4 ，并且已知 11 0 ， 12 6 ， 21 1， 22 0試對該細(xì)胞 x 用一下兩種方法進(jìn)行分類：1. 基于最小錯誤率的貝葉斯決策；2. 基于最小風(fēng)險的貝葉斯決策；請分析兩種結(jié)果的異同及原因。答： 1.2.感謝下載載精品十五、既然有線性判別函數(shù)， 為什么還要引進(jìn)非線性判別函數(shù)？試分析由“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(dāng)兩類樣本分不具有多峰性質(zhì)并互相交錯時，簡

27、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(yīng)用于這種情況。十六、 1. 什么是特征選擇？感謝下載載精品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 維空間的樣本投影到一條直線上，形成一維空間，即把維數(shù)壓縮到一維，這在數(shù)學(xué)上容易辦到，然而，即使樣本在d 維空間里形成若干緊湊的互相分得開的集群，如果把它們投影到一條任意的直線上，也可能使得幾類樣本混在一起而變得無法識別。 但是在一般情況下， 總可以找到某個方向， 使得在這個方向

28、的直線上，樣本的投影能分開得最好。問題是如何根據(jù)實際情況找到這條最好的、最易于分類的投影線，這就是 Fisher 算法所要解決的基本問題。十七、寫出兩類和多類情況下最小風(fēng)險貝葉斯決策判別函數(shù)和決策面方程。十八、請論述模式識別系統(tǒng)的主要組成部分及其設(shè)計流程，并簡述各組成部分中常用方法的主要思想。特征空間信號空間數(shù)據(jù)獲取預(yù)處理特征提取與選擇感謝下載載精品信息獲?。和ㄟ^測量、采樣和量化，可以用矩陣或向量表示二維圖像或以為波形。預(yù)處理：去除噪聲，加強(qiáng)有用的信息，并對輸入測量儀器或其他因素造成的退化現(xiàn)象進(jìn)行復(fù)原。特征選擇和提?。簽榱擞行У貙崿F(xiàn)分類識別，就要對原始數(shù)據(jù)進(jìn)行變換，得到最能反映分類本質(zhì)的特征。

29、分類決策：在特征空間中用統(tǒng)計方法把識別對象歸為某一類。十九、有兩類樣本集x11 0,0,0 T ， x121,0,0 T ， x131,0,1 T ， x141,1,0Tx21 0,0,1T ， x22 0,1,0 T ， x23 0,1,1T ， x241,1,1T1. 用 K-L 變換求其二維特征空間，并求出其特征空間的坐標(biāo)軸；2. 使用 Fisher 線性判別方法給出這兩類樣本的分類面。感謝下載載精品二十、定性說明基于參數(shù)方法和非參數(shù)方法的概率密度估計有什么區(qū)別？答： 基于參數(shù)方法：是由已知類別的樣本集對總體分布的某些參數(shù)進(jìn)行統(tǒng)計推斷非參數(shù)方法：已知樣本所屬類別，但未知總體概率密度函數(shù)形式感謝下載載精品二十一、答