模式识别总结.docx

模式识别总结

第一篇：模式识别总结监督学习与非监督学习的区别：监督学习方法用来对数据实现分类，分类规则通过训练获得。该训练集由带分类号的数据集组成，因此监督学习方法的训练过程是离线的。非监督学习方法不需要单独的离线训练过程，也没有带分类号（标号）的训练数据集，一般用来对数据集进行分析，如聚类，确定其分布的主分量等。（实例：道路图）就道路图像的分割而言，监督学习方法则先在训练用图像中获取道路象素与非道路象素集，进行分类器设计，然后用所设计的分类器对道路图像进行分割。使用非监督学习方法，则依据道路路面象素与非道路象素之间的聚类分析进行聚类运算，以实现道路图像的分割。1、写出K-均值聚类算法的基本步骤,算法：第一步：选K个初始聚类中心，z1(1)，z2(1)，…，zK(1)，其中括号内的序号为寻找聚类中心的迭代运算的次序号。聚类中心的向量值可任意设定，例如可选开始的K个模式样本的向量值作为初始聚类中心。第二步：逐个将需分类的模式样本{x}按最小距离准则分配给K个聚类中心中的某一个zj(1)。假设i=j时，Dj(k)min{xzi(k),i1,2,K}，则xSj(k)，其中k为迭代运算的次序号，第一次迭代k=1，Sj表示第j个聚类，其聚类中心为zj。第三步：计算各个聚类中心的新的向量值，zj(k+1)，j=1,2,…,Kzj(k1)1NjxSj(k)x,j1,2,,K求各聚类域中所包含样本的均值向量：其中Nj为第j个聚类域Sj中所包含的样本个数。以均值向量作为新的聚类中心，JjxSj(k)xzj(k1),2j1,2,,K可使如下聚类准则函数最小：在这一步中要分别计算K个聚类中的样本均值向量，所以称之为K-均值算法。第四步：若zj(k若zj(k1)zj(k)，j=1,2,…,K，则返回第二步，将模式样本逐个重新分类，重复迭代运算；1)zj(k)，j=1,2,…,K，则算法收敛，计算结束。T线性分类器三种最优准则：wSFisher准则：maxJ(w)wSwFTb>>n）的条件下，可以使用分支定界法以减少计m算量。15、散度Jij越大，说明i类模式与j类模式的分布（差别越大）；当i类模式与j类模式的分布相同时，Jij=（0）。16、影响聚类算法结果的主要因素有（②分类准则③特征选取④模式相似性测度。）。19、模式识别中，马式距离较之于欧式距离的优点是（③尺度不变性④考虑了模式的分布）。20、基于二次准则函数的H-K算法较之于感知器算法的优点是（①可以判别问题是否线性可分③其解的适应性更好）。21、影响基本C均值算法的主要因素有（④初始类心的选取①样本输入顺序②模式相似性测度）。22、位势函数法的积累势函数K(x)的作用相当于Bayes判决中的（②后验概率④类概率密度与先验概率的乘积）。23、统计模式分类问题中，当先验概率未知时，可使用（②最小最大损失准则④N-P判决）24、在（①Cn>>n,（n为原特征个数，d为要选出的特征个数）③选用的可分性判据J对特征数目单调不减）情况下，用分支定界法做特征选择计算量相对较少。25、散度JD是根据（③类概率密度）构造的可分性判据。26、似然函数的概型已知且为单峰，则可用（①矩估计②最大似然估计③Bayes估计④Bayes学习⑤Parzen窗法）估计该似然函数。27、Kn近邻元法较之Parzen窗法的优点是（②稳定性较好）。28、从分类的角度讲，用DKLT做特征提取主要利用了DKLT的性质：（①变换产生的新分量正交或不相关③使变换后的矢量能量更趋集中）。29、一般，剪辑k-NN最近邻方法在（①样本数较大）的情况下效果较好。d29、如果以特征向量的相关系数作为模式相似性测度，则影响聚类算法结果的主要因素有（②分类准则③特征选取）。30、假设在某个地区细胞识别中正常（w1）和异常（w2）两类先验概率分别为P(w1)=0.9，P(w2)=0.1，现有一待识别的细胞，其观察值为x，从类条件概率密度分布曲线上查得P(xw1)0.2，P(xw2)0.4，并且已知110，126，211，220试对该细胞x用一下两种方法进行分类：1.基于最小错误率的贝叶斯决策；2.基于最小风险的贝叶斯决策；请分析两种结果的异同及原因。第二篇：数字图像模式识别王丽霞深圳市南山区学府路；***、[e-mail]求职意向数字图像处理、模式识别算法工程师教育经历汕头大学电子工程系信号与信息处理专业硕士2007.9—2010.6汕头市·在校期间成绩优良，分别一次获汕头大学一等、二等奖学金；200809担任女生部部长负责统筹管理，成立特色学科及基础学科研讨组，积极开拓学生的思维并提高他们的学习成绩，更贴近社会的新路线。潍坊学院信息与控制工程学院电子信息工