模式识别实验报告new

1、模式识别实验 学院：信息工程学院班级：智能08姓名：XXX学号：xxxxxxxx2011年6月实验一 Bayes分类器的设计一、 实验目的：1. 对模式识别有一个初步的理解，能够根据自己的设计对贝叶斯决策理论算法有一个深刻地认识；2. 理解二类分类器的设计原理。二、 实验条件：1. PC微机一台和MATLAB软件。三、 实验原理：最小风险贝叶斯决策可按下列步骤进行：1. 在已知，及给出待识别的的情况下，根据贝叶斯公式计算出后验概率： 2. 利用计算出的后验概率及决策表，按下式计算出采取决策的条件风险： 3. 对2中得到的个条件风险值（）进行比较，找出使条件风险最小的决策，即：，则就是最小风险贝

2、叶斯决策。四、 实验内容：假定某个局部区域细胞识别中正常（）和非正常（）两类先验概率分别为：正常状态：=0.9；异常状态：=0.1。现有一系列待观察的细胞，其观察值为：-3.9847 -3.5549 -1.2401 -0.9780 -0.7932 -2.8531-2.7605 -3.7287 -3.5414 -2.2692 -3.4549 -3.0752 -3.9934 2.8792 -0.9780 0.7932 1.1882 3.0682-1.5799 -1.4885 -0.7431 -0.4221 -1.1186 4.2532 类条件概率分布正态分布分别为（-2，0.25）（2,4）。决策

3、表为(表示的简写)，=6, =1，=0。试对观察的结果进行分类。五、 实验程序及结果：试验程序和曲线如下，分类结果在运行后的主程序中：实验主程序如下：x=-3.9847 -3.5549 -1.2401 -0.9780 -0.7932 -2.8531 -2.7605 -3.7287 -3.5414 -2.2692 -3.4549 -3.0752 -3.9934 2.8792 -0.9780 0.7932 1.1882 3.0682 -1.5799 -1.4885 -0.7431 -0.4221 -1.1186 4.2532;pxw1=normpdf(x,-1,0.25);pxw2=normpdf

4、(x,2,4);Pw1=0.9;Pw2=0.1;%计算后验概率Pwx1=pxw1*Pw1./(pxw1*Pw1+pxw2*Pw2);Pwx2=1-Pwx1;%计算条件风险loss11=0;loss12=6;loss21=1;loss22=0;R1=loss11*Pwx1+loss12*Pwx2;R2=loss21*Pwx1+loss22*Pwx2;%类别判断for i=1:4 for j=1:6 if R1(i,j)w0 m=m+1; result1(:,m)=x(:,i); else n=n+1; result2(:,n)=x(:,i); endend%结果显示 display(属于第一类的

5、点)result1display(属于第二类的点)result2scatter3(w1(1,:),w1(2,:),w1(3,:),+r),hold onscatter3(w2(1,:),w2(2,:),w2(3,:),sg),hold onscatter3(result1(1,:),result1(2,:),result1(3,:),k),hold onscatter3(result2(1,:),result2(2,:),result2(3,:),bd)title(样本点及实验点的空间分布图)legend(样本点w1,样本点w2,属于第一类的实验点,属于第二类的实验点)结果显示如下实验总结： 通过本次实验我进一步熟悉了Bayes判别和Fisher线性判别的相关知识。Bay