模式识别实验报告.docx

实验一 Bayes分类器设计
【实验目的】
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，理解二类分类器的设计原理。
【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P(® ot(j)=(pw2*normpdf(a(j),e2,a2))/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf(a(j),e2,a2)) end
figure(1)
hold on
plot(a,pw1_plot,'k-',a,pw2_plot,'r-.')
for k=1:m
if result(k)==0
plot(x(k),-,'b*') % 正常细胞用* 表示
else
plot(x(k),-,'rp') %异常细胞用五角星表示
end;
end;
legend('正常细胞后验概率曲线','异常细胞后验概率曲线','正常细胞','异常细胞') xlabel ('样本细胞的观察值')
ylabel('后验概率') title('后验概率分布曲线') grid on
return ;
◊实验内容仿真
x = [- , - , - , - , - , - ,- ,
- , -, - , - , - , - , , -,
, , ,- , - ,- , - , - ,
]
disp(x)
pw1= pw2=
[resu lt] =bayes(x,pw1,pw2)
♦最小风险贝叶斯决策
◊分类器设计
func tion [Rl_x,R2_x,resu lt]二danger(x,pwl,pw2) m=numel(x) %得到待测细胞个数
R1_x=zeros(1,m) %存放把样本X判为正常细胞所造成的整体损失 R2_x=zeros(l,m) %存放把样本X判为异常细胞所造成的整体损失 resul t=zeros(l,m) %存放比较结果
e1=-2
a1=
e2=2
a2=2
%类条件概率分布 px_w1: (-2， ) px_w2 (2,4)
r11=0
r12=2
r21=4
r22=0
%风险决策表
for i=1:m %计算两类风险值
R1_x(i)=r11*pw1*normpdf(x(i),e1,a1)/(pw1*normpdf(x(i),e1,a1)+pw2*normpdf(x(i),e 2,a2))+r21*pw2*normpdf(x(i),e2,a2)/(pw1*normpdf(x(i),e1,a1)+pw2*normpdf(x(i),e2 ,a2))
R2_x(i)二rl2*pwl*normpdf(x(i),el,al)/(pwl*normpdf(x(i),el,al)+pw2*normpdf(x(i),e 2,a2))+r22*pw2*normpdf(x(i),e2,a2)/(pwl*normpdf(x(i),el,al)+pw2*normpdf(x(i),e2 ,a2))
end
for i=1:m
if R2_x(i)〉Rl_x(i)%第二类比第一类风险大
resul t(i)=0 %判为正常细胞(损失较小)，用0表示
else
resul t( i)=l %判为异常细胞，用1表示
end
end
a=[-5::5] %取样本点以画图
n=numel(a)
R1_pl ot二 zeros(1,n)
R2_pl ot二 zeros(1,n)
for j=1:n
R1_plot (j)二r11*pw1*normpdf(a(j),e1,a1)/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf(a(j ),e2,a2))+r21*pw2*normpdf(a(j),e2,a2)/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf(a(j) ,e2,a2))
R2_pl ot(j)二r12*pw1*normpdf(a(j),e1,a1)/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf(a(j ),e2,a2))+r22*pw2*normpdf(a(j),e2,a2)/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf(a(j