模式识别实验报告.doc

模 式 识 别 实 验 报 告班级：电 信 08-1班姓名：黄 立 金学号：80811140课程名称：模式识别导论实验一 安装并使用模式识别工具箱一、实验目的：1掌握安装模式识别工具箱的技巧，能熟练使用工具箱中的各项功能；2熟练使用最小错误率贝叶斯决策器对样本分类；3熟练使用感知准则对样本分类；4熟练使用最小平方误差准则对样本分类；5了解近邻法的分类过程，了解参数K值对分类性能的影响（选做）；6了解不同的特征提取方法对分类性能的影响（选做）。二、实验内容与原理：1安装模式识别工具箱；2用最小错误率贝叶斯决策器对呈正态分布的两类样本分类；3用感知准则对两类可分样本进行分类，并观测迭代次数对分类性能的影响；4用最小平方误差准则对云状样本分类，并与贝叶斯决策器的分类结果比较；5用近邻法对双螺旋样本分类，并观测不同的K值对分类性能的影响（选做）；6观测不同的特征提取方法对分类性能的影响（选做）。三、实验器材（设备、元器件、软件工具、平台）：1 PC机系统最低配置 512M 内存、P4 CPU；2 Matlab 仿真软件 7.0 / 7.1 / 2006a等版本的Matlab 软件。四、实验步骤：1安装模式识别工具箱。并调出Classifier主界面。2调用XOR.mat文件，用最小错误率贝叶斯决策器对呈正态分布的两类样本分类。3.调用Seperable.mat文件，用感知准则对两类可分样本进行分类。4.调用Clouds.mat文件，用最小平方误差准则对两类样本进行分类。5.调用Spiral.mat文件，用近邻法对双螺旋样本进行分类。6.调用XOR.mat文件，用特征提取方法对分类效果的影响。五、实验数据及结果分析：（1）Classifier主界面如下（2）最小错误率贝叶斯决策器对呈正态分布的两类样本进行分类结果如下：（3）感知准则对两类可分样本进行分类当Num of iteration=300时的情况：当Num of iteration=1000时的分类如下：（4）最小平方误差准则对两类样本进行分类结果如下：（5）近邻法对双螺旋样本进行分类，结果如下当Num of nearest neighbor=3时的情况为：当Num of nearest neighbor=12时的分类如下：（6）特征提取方法对分类结果如下当New data dimension=2时，其结果如下当New data dimension=1时，其结果如下六、实验结论：本次实验使我掌握安装模式识别工具箱的技巧，能熟练使用工具箱中的各项功能；对模式识别有了初步的了解。七、思考题：1 在图1-7中使用主成分分析进行特征提取，为什么提取的特征数目为1时（见图1-7（b），分类效果不尽人意？实验二 用人工神经网络对二维样本分类一、实验目的：1掌握人工神经网络的运行机理、参数设置和模型选择等；2熟悉感知器的原理、特性与功能；3熟悉误差反传网的原理、特性与功能；4熟悉径向基函数网的原理、特性与功能；二、实验内容与原理：1观察人工神经元的输出随权值与的变化；2生成两类样本，然后用感知器对两类样本进行分类；3用误差反传网实现函数逼近，观察参数设置和拓扑结构对逼近性能的影响；4用径向基函数网逼近任意函数；三、实验器材（设备、元器件、软件工具、平台）：1 PC机系统最低配置 512M 内存、P4 CPU；2 Matlab 仿真软件 7.0 / 7.1 / 2006a 等版本的Matlab 软件。四、实验步骤：1在MATLAB命令行状态下，键入DEMO并按回车键；得到如图2-2所示的界面。然后点击“Toolboxes”，打开MATLAB工具箱。再点击“Neural networks”，选定神经网络工具箱。2观察并记录人工神经元（Neurons）的特性与功能。3观察并记录感知器（Perceptrons）的特性与功能。4观察并记录误差反传网（Back propagation Networks）的特性与功能。五、实验数据及结果分析：1观察并记录人工神经元（Neurons）的特性与功能（1）Simple Neuron and Transfer Functions（One-input neuron）W=0,b=0;(2)W=1,b=0;(3)W=1,b=1;2. 观察并记录感知器（Perceptrons）的特性与功能4观察并记录误差反传网（Back propagation Networks）的特性与功能。（1）Number =1;复杂度=3（2）Number =3;复杂度=3（3）Number =5；复杂度=3（4）Number =8；复杂度=35观察并记录径向基函数网（Radial Basis Networks）的特性与功能（1）P = -1:.1:1;T = -.9602 -.5770 -.0729 .3771 .6405 .6600 .4609 . .1336 -.2013 -.4344 -.5000 -.3930 -.1647 .0988 . .3072 .3960 .3449 .1816 -.0312 -.2189 -.3201;plot(P,T,+);title(Training Vectors);xlabel(Input Vector P);ylabel(Target Vector T);（2）p = -3:.1:3;a = radbas(p);plot(p,a)title(Radial Basis Transfer Function);xlabel(Input p);ylabel(Output a);（3）a2 = radbas(p-1.5);a3 = radbas(p+2);a4 = a + a2*1 + a3*0.5;plot(p,a,b-,p,a2,b-,p,a3,b-,p,a4,m-)title(Weighted Sum of Radial Basis Transfer Functions);xlabel(Input p);ylabel(Output a);（4）eg = 0.02; % sum-squared error goalsc = 1; % spread constantnet = newrb(P,T,eg,sc);plot(P,T,+);xlabel(Input);X = -1:.01:1;Y = sim(net,X);hold on;plot(X,Y);hold off;legend(Target,Output)NEWRB, neurons = 0, SSE = 3.69051六、实验结论：本次实验使我掌握人工神经网络的运行机理、参数设置和模型选择等；熟悉感知器的原理、特性与功能等等相关的知识。实验三 用支持向量机进行人脸识别（2学时）一、实验目的 1掌握支持向量机（SVM）的原理、核函数类型选择以及核参数选择原则等；2熟悉人脸识别的一般流程与常见识别方法；3熟悉不同的特征提取方法在人脸识别的应用；4了解在实际的人脸识别中，学习样本数等参数对识别率的影响；5了解非人脸学习样本库的构建在人脸识别的重要作用。二、实验内容 1构建非人脸学习样本库；2观测不同的特征提取方法对人脸识别率的影响；3观测不同的学习样本数对人脸识别率的影响；4观测支持向量机选用不同的核函数（线性核或径向基核）后对人脸识别率的影响；5观测支持向量机选用不同的核参数后对人脸识别率的影响。三、实验仪器、设备 1 PC机系统最低配置 512M 内存、P4 CPU；2 Matlab 仿真软件 7.0 / 7.1 / 2006a 等版本的Matlab 软件。3 CBCL人脸样本库；四、实验内容及原理五、实验数据及结果分析：人脸学习样本程序function A ,mx ,facey=train();L=200;startx=38;endx=106;starty=33;endy=96;x=endx-startx;y=endy-starty;a=30;b=20;facecol=zeros(a*b,L);for i=1:L facecol(:,i)=getFacePile(getpicture(i);end%Averagemx=mean(facecol);% get mean value of every facefacex=zeros(a*b,L);for i=1:L facex(:,i)=facecol(:,i)-mx;endCf=facex*facex/L; V D=eig(Cf);A=V;facey=A*facex; function y=getFacePile(path) startx=38;endx=106;starty=33;endy=96;x=endx-startx;y=endy-starty;face=zeros(x,y);picture=imread(path);for i=1:x for j=1:y face(i,j)=picture(startx+i,starty+j); endenda=30;b=20;temp=imresize(face,a b,nearest);% compress image to 30*20; y=reshape(temp,a*b,1);% pile all compressed image to one image, one face/column取得人脸样本路径function y=getFacePile(path) startx=38;endx=106;starty=33;endy=96;x=endx-startx;y=endy-starty;face=zeros(x,y);picture=imread(path);for i=1:x for j=1:y face(i,j)=picture(startx+i,starty+j); endenda=30;b=20;temp=imresize(face,a b,nearest);% compress image to 30*20; y=reshape(temp,a*b,1);% pile all compressed image to one image, one face/column取得人脸的样本function y=getPicture(n) P= 00020fa010.930831.jpg 00024fa010.940128.jpg00026fa010.930831.jpg00028fa010.940128.jpg 00029fa010.930831.jpg 00038fa010.940128.jpg 00040fa010.930831.jpg 00043fa001.931230.jpg 00044fa001.931230.jpg 00045fa001.931230.jpg 00046fa001.931230.jpg 00047fa001.931230.jpg 00048fa001.931230.jpg 00049fa001.931230.jpg 00050fa001.931230.jpg 00051fa001.931230.jpg 00052fa001.931230.jpg 00053fa001.931230.jpg 00054fa001.931230.jpg 00055fa001.931230.jpg 00056fa001.931230.jpg 00057fa001.931230.jpg 00058fa001.931230.jpg00059fa001.931230.jpg 00060fa001.931230.jpg 00061fa001.931230.jpg ;y=face_jpeg_set,P(n,:);测试人脸样本function y=test(path,A,mx,facey