模式识别与智能计算-MATLAB技术实现（第5版）-习题

第一章模式识别概述１简述特征空间优化的方法。２简述几种常用的分类器设计准则。３简述分类器设计的基本方法。４试写出基于二维特征两类分类问题的线性判别函数形式。５试写出基于ｎ维特征两类分类问题的线性判别函数形式。６试写出基于ｎ维特征多类分类问题的线性判别函数形式。７试写出基于ｎ维特征多类分类问题的非线性判别函数形式。８简述设计判别函数需要确定的基本要素。９简述在什么情况下分类器不可分。10简述设计一个分类器的基本方法。第二章特征的选择与优化1、简述样本数量与特征数目的关系，若采集的手写数字各个类别的样本数目少于特征数目，能否对手写数字进行分类？２某一个特征与目标的相关系数为０，该特征是否应被删除？３简述特征选择搜索算法。４简述几种常用的特征评估方法。５简述主成分分析的实现方法。６简述总体参数的点估计方法。７简述总体分布函数的统计假设检验方法。第三章模式相似性测度１简述模板匹配法的基本原理。２用模板匹配法编程实现英文字符的识别。第四章基于概率统计的贝叶斯分类器设计１分类识别中为什么会有错分类？在何种情况下会出现错分类？２简述贝叶斯决策所讨论的问题。３简述先验概率、类概率密度函数、后验概率三者的关系。４简述Ｐ（ω1|Ｘ）、Ｐ（ω2|Ｘ）与Ｐ（Ｘ|ω1）、Ｐ（Ｘ|ω2）的区别。５简述基于最小错误率的贝叶斯分类原则。６写出基于两类问题最小错误率的贝叶斯判别函数形式。７写出基于多类问题最小错误率的贝叶斯判别函数形式。８写出基于多类问题最小风险贝叶斯决策规则判别函数形式。９简述最小风险贝叶斯决策与最小错误率贝叶斯决策之间的关系。１０说明基于二值数据的贝叶斯实现方法。１１试说明基于最小错误率的贝叶斯实现方法。判别函数分类器设计１写出每一个类别可用单个判别平面分开的判别函数形式。２写出每两个类别之间可用判别平面分开的判别函数形式。３简述多类可分的判别函数实现方法。４写出非线性分类器判别函数的一般形式。５简述感知器算法的分类准则，并写出梯度下降法的实现步骤。６简述Fisher算法分类的实现步骤。７简述基于核的Fisher算法分类的实现步骤。８简述支持向量机的原理以及支持向量机分类方法的实现步骤。神经网络分类器设计１简述人工神经网络在模式识别问题上的优势。２试述BP神经网络的拓扑结构及其学习算法。３简述设计BP神经网络需要考虑的主要因素。４试述基于高斯核的RBF神经网络的拓扑结构及其初始权值的产生方式。５简述概率神经网络（PNN）的拓扑结构及其各层的功能。６简述Hopfield神经网络的拓扑结构和稳定条件。７简述离散型Hopfield神经网络的学习算法，并试用Ｃ语言实现离散型hopfield神经网络。８简述对向传播神经网络（CPN）的拓扑结构、基本思想及其学习算法。９简述自组织竞争神经网络的拓扑结构、基本思想及其训练过程。１０试列表对比本章介绍的几种神经网络的异同。决策树分类器设计１简述决策树的构造方法。２简述ID3算法基本思想以及基于信息增益的属性选择度量方法。３对于一个训练集，如表7-2所示，利用ID3算法构造一棵决策树。４叙述决策树理论在分类问题中的实现方法和步骤。粗糙集分类器设计１简述决策表、等价集以及粗糙集的概念。２简述属性约简和规则化简方法。３如表8-4所示，已知购买计算机意向决策表，利用粗糙集理论对该表进行属性约简和规则化简，并获取最终规则。４叙述粗糙集理论在分类问题中的实现方法和步骤。聚类分析１样品间的距离度量方式有哪些？２简述基于试探的未知类别聚类算法。３什么是层次聚类算法？它与基于试探的未知类别聚类算法有何异同？４简述Ｋ均值算法的基本思想。５叙述ISODATA的计算步骤。６简述模拟退火算法的基本原理。模糊聚类分析１模糊集合与普通集合有什么区别？２什么是隶属度函数？它和模糊子集有什么关系？３叙述模糊集运算的性质。４如何将一个普通模糊矩阵转化成等价矩阵？５叙述将模糊集理论应用于聚类问题的步骤。遗传算法聚类分析１．简述遗传算法的构成要素。２．简述选择算子、交叉算子和变异算子的作用。３．简述遗传算法进行问题求解的步骤。４．如果一幅位图当中包含有15个样品，分成5类，叙述染色体的编码方法，给出一种可能的染色体编码方案，染色体长度应该设为多长？如何设定评估函数？如何设定适应度函数？５．叙述遗传算法在聚类问题中的实现方法和步骤。粒子群算法聚类分析１简述粒子群算法的基本原理。２叙述粒子群算法与其他进化算法的异同。３在粒子群算法聚类问题设计中，简述如何定义粒子结构以及粒子的更新方式。４叙述粒子群算法在聚类问题中的实