实验1分类器设计.docVIP

实验1分类器设计 李俊 实验目的 掌握几种常用的贝叶斯决策理论、分类器设计的基本步骤和方法。 实验原理 应用统计决策规则，对观察向量 X进行分类是分类器设计的主要问题。用于表达决策规则的某些函数则称为判别函数。两类问题通常只定义一个判别函数。 设不考虑判别函数g(X)的具体形式，通用的决策规则为： 两类情况下，最小错误率贝叶斯决策规则的判别函数定义为： 两类情况下，最小错误率贝叶斯决策规则的判别函数定义为： 最小风险贝叶斯决策规则的判别函数定义为： 实验要求 根据题目要求进行分类器的设计，对输入的待识别样本，能给出最小错误率贝叶斯决策规则、最小风险贝叶斯决策规则下的分类结果。 第一题演算： 程序运算结果： 1.1 x1:坦克 x2:坦克 x3 :灌木丛 x4 :灌木丛 1.2 x1:坦克 x2:坦克 x3 :灌木丛 x4 :灌木丛 1.3 x1:拒判 x2:拒判 x3 :拒判 x4 :拒判 四、第一题程序代码： 1.1 pxw1=[0.1,0.15,0.3,0.6]; pxw2=[0.8,0.7,0.55,0.3]; pw1=0.7; pw2=0.3; g=pw1*pxw1-pw2*pxw2; for i=1:4 if g(i)0 x=坦克 else x=灌木丛 end end 1.2 pxw1=[0.1,0.15,0.3,0.6]; pxw2=[0.8,0.7,0.55,0.3]; pw1=0.7; pw2=0.3; pw1x=[0,0,0,0]; s1=[2.5,2]; s2=[4,1.0]; for i=1:4 pw1x(i)=pw1*pxw1(i)/(pw1*pxw1(i)+pw2*pxw2(i)); end pw2x=1-pw1x; r1=[0,0,0,0]; for i=1:4 r1(i)=s1(1)*pw1x(i)+s1(2)*pw2x(i); end r2=[0,0,0,0]; for i=1:4 r2(i)=s2(1)*pw1x(i)+s2(2)*pw2x(i); end g=r2-r1; for i=1:4 if g(i)0 x=坦克 else x=灌木丛 end end 1.3 pxw1=[0.1,0.15,0.3,0.6]; pxw2=[0.8,0.7,0.55,0.3]; pw1=0.7; pw2=0.3; pw1x=[0,0,0,0]; s1=[2.5,2]; s2=[4,1.0]; for i=1:4 pw1x(i)=pw1*pxw1(i)/(pw1*pxw1(i)+pw2*pxw2(i)); end pw2x=1-pw1x; r1=[0,0,0,0]; for i=1:4 r1(i)=s1(1)*pw1x(i)+s1(2)*pw2x(i); end r2=[0,0,0,0]; for i=1:4 r2(i)=s2(1)*pw1x(i)+s2(2)*pw2x(i); end for i=1:4 if min([r1(i),r2(i),1.5])==1.5 x=拒判 else if (r2-r1)0 x=坦克 else x=灌木丛 end end end 程序运行结果 2.1 x为W2类 2.2 x为W1类 2.3 x为W3类 2.4 x为W3类 第二题程序代码： 2.1 x1=[-5.01,5.43,1.08,0.86,-2.67,4.94,-2.51,-2.25,5.56,1.03]; x2=[-0.91,1.30,-7.75,-5.47,6.14,3.60,5.37,7.18,-7.39,-7.50]; x3=[5.35,5.12,-1.34,4.48,7.11,7.17,5.75,0.77,0.90,3.52]; pw=[0.5,0.5]; x=4.72; u1=0; u2=0; u3=0; for i=1:10 u1=u1+x1(i); u2=u2+x2(i); u3=u3+x3(i); end u1=u1/10; u2=u2/10; u3=u3/10; q1=0; q2=0; q3=0; for i=1:10 q1=q1+(x1(i)-u1)^2; q2=q2+(x2(i)-