模式识题课
1 图识中假定灌木坦克2种类型先验概率分0703损失函数表示中类型w1w2分表示灌木坦克判决a1w1a2w2现做2次实验获2样类概率密度：
状态
损失
决策
W1
W2
a1
05
2
a2
4
10
（1）试错误率贝叶斯准判决2样属类？坦克灌木
（2）试风险决策规判决2样属类？灌木灌木
答：（1）错误率贝叶斯准
（2）风险决策规
2 出二维样数(11)(22)(11)(22)试KL变换作维数压缩
答：数压缩结果：00
0算出m应该作坐标原点重新计算坐标值
3|λEA|0
(λEA)*X0 0量
l 移坐标系模式总体均值量作新坐标系原点
l 求机量X相关矩阵
l 求相关矩阵n特征值应特征量
l 特征值排序取前m特征值应特征量构成新变换矩阵
l n维量变换m维新量
3 已知两类数：ω1：(10)(20)(11)ω2：(10)(01)(11)试求该组数类类间散布矩阵
Sw（within）neilei Sb(betwwen)neijian
4已知欧氏二维空间中两类9训练样w1(10)T(20)T(21)T(21)T
w2(11)T(20)T(11)T(21)T(22)T试分邻法K邻法求测试样(00)T分类取K57
答：
邻法：邻(10)T分类w1
K邻法：
K5：5邻1类(10)T(20)T2类(11)T(20)T(11)T 分类w2
K7：1）邻1类(10)T(20)T(21)T(21)T2类(11)T(20)T(11)T分类w1
2）邻1类(10)T(20)T(21)T(21)T两2类(11)T(20)T(11)T(21)T分类w2
2已知两类训练样：w1(00)T(02)Tw2(20)T(22)T试方误差准算法进行分类器训练求解量w*
1 什模式模式识模式：象间存规律性关系模式识：研究计算机实现类模式识力门学科
2 什误差方准
定聚类均值量代表聚类中样量称聚类中心聚类方法应集合中量均值量误差长度方
3 确定线性分类器步骤
采集训练样构成训练样集样应该具典型性
确定准JJ(wx)反映分类器性存权值w*分类器性优
设计求解w优算法解量w*
4 分级聚类算法2种基途径什
事物相似性联系组织起组成层次结构质接划类然相类合次类推分级聚类算法基思想
聚合法：样类逐级聚合成类基思路根类间相似性逐级聚合级相似性两类聚合成类终样聚合类
分解法：样做类逐级分解样类
5 什K邻法
取未知样xk邻k邻中数属类x类
6 监督学非监督学区
利已标定类样集进行分类器设计方法称监督学情况法预先知道样类没标记样集开始进行分类器设计非监督学
7 什支持量机
两类样中离分类面点行优分类面超面训练样做支持量
支持量机基思想：首先通非线性变换输入空间变换高维空间然新空间中求取优线性分类面种非线性变换通定义适积函数实现
8 邻法基思想什
作种分段线性判函数极端情况类中全部样作代表点样决策方法邻法基思想
9 描述K均值聚类算法
定数点集合需聚类数目kk户指定k均值算法根某距离函数反复数分入k聚类中先机选取K象作初始聚类中心然计算象种子聚类中心间距离象分配距离聚类中心聚类中心分配象代表聚类旦全部象分配聚类聚类中心会根聚类中现象重新计算
10 详细写出感知器训练算法步骤
定初始值：置k0权量w(k)意值选常数0＜c≤1
输入样xm∈ {x1x2…xn}计算判决函数值g(xm)wT(k)xm
规修改权量
xm ∈wig(xm) ≤0w(k+1)w(k)+cxm
xm ∈wjg(xm) ＞0w(k+1)w(k)cxm
令kk+1返回第二步直w样稳定变结束
11 详细介绍初始聚类中心选择方法
取前c样点作初始聚类中心
验选择
全部数机分c类计算重心重心作聚类中心
密度法选择代表点（具统计特性）
c1类划分中产生c类划分问题初始聚类中心
12 详细写出Fisher算法步骤
13 什两分剪辑邻法压缩邻法
原始样机分两集合：预测集T参考集R预测集参考集样分完成考试参考务相互独立
剪辑基础掉部分样样助进步缩短计算时间降低存储求类方法作压缩邻法
2典型模式识系统部分组成？
原始数获取预处理特征提取选择分类聚类处理4部分
4 什验概率？
系统某具体模式样X条件位某种类型概率
5 样集推断总体概率分布方法？
1 参数估计
i 监督参数估计：样属类类条件总体概率密度函数形式已知某参数未知
ii 非监督参数估计：已知总体概率密度函数形式未知样类推断某参数
非参数估计：已知样类未知总体概率密度函数形式求直接推断概率密度函数身
11特征抽取特征选择区？
原始特征数量者样处高维空间中通映射（变换）方法低维空间表示样程特征抽取
特征选择：组特征中挑选出效特征达降低特征空间维数目程特征选择
12什优搜索算法？
优解唯快速算法分支定界算法属算法具回溯功
13统计学理核心问题？
验风险化原统计学致性条件
条件关统计学方法推广性界结
界基础建立样纳推理原
实现新原实际方法
1 描述贝叶斯公式作
贝叶斯公式：两事物Xw联合出现概率称联合概率利该公式计算验概率
2 利似然估计方法单变量正态分布函数估计均值μ方差σ2
P48
8什离散KL变换离散限KL展开
种基目标统计特性佳正交变换
9必考：针某识象设计模式识系统叙述步骤工作
文档香网(httpswwwxiangdangnet)户传
《香当网》用户分享的内容，不代表《香当网》观点或立场，请自行判断内容的真实性和可靠性！
该内容是文档的文本内容，更好的格式请下载文档
1 图识中假定灌木坦克2种类型先验概率分0703损失函数表示中类型w1w2分表示灌木坦克判决a1w1a2w2现做2次实验获2样类概率密度：
状态
损失
决策
W1
W2
a1
05
2
a2
4
10
（1）试错误率贝叶斯准判决2样属类？坦克灌木
（2）试风险决策规判决2样属类？灌木灌木
答：（1）错误率贝叶斯准
（2）风险决策规
2 出二维样数(11)(22)(11)(22)试KL变换作维数压缩
答：数压缩结果：00
0算出m应该作坐标原点重新计算坐标值
3|λEA|0
(λEA)*X0 0量
l 移坐标系模式总体均值量作新坐标系原点
l 求机量X相关矩阵
l 求相关矩阵n特征值应特征量
l 特征值排序取前m特征值应特征量构成新变换矩阵
l n维量变换m维新量
3 已知两类数：ω1：(10)(20)(11)ω2：(10)(01)(11)试求该组数类类间散布矩阵
Sw（within）neilei Sb(betwwen)neijian
4已知欧氏二维空间中两类9训练样w1(10)T(20)T(21)T(21)T
w2(11)T(20)T(11)T(21)T(22)T试分邻法K邻法求测试样(00)T分类取K57
答：
邻法：邻(10)T分类w1
K邻法：
K5：5邻1类(10)T(20)T2类(11)T(20)T(11)T 分类w2
K7：1）邻1类(10)T(20)T(21)T(21)T2类(11)T(20)T(11)T分类w1
2）邻1类(10)T(20)T(21)T(21)T两2类(11)T(20)T(11)T(21)T分类w2
2已知两类训练样：w1(00)T(02)Tw2(20)T(22)T试方误差准算法进行分类器训练求解量w*
1 什模式模式识模式：象间存规律性关系模式识：研究计算机实现类模式识力门学科
2 什误差方准
定聚类均值量代表聚类中样量称聚类中心聚类方法应集合中量均值量误差长度方
3 确定线性分类器步骤
采集训练样构成训练样集样应该具典型性
确定准JJ(wx)反映分类器性存权值w*分类器性优
设计求解w优算法解量w*
4 分级聚类算法2种基途径什
事物相似性联系组织起组成层次结构质接划类然相类合次类推分级聚类算法基思想
聚合法：样类逐级聚合成类基思路根类间相似性逐级聚合级相似性两类聚合成类终样聚合类
分解法：样做类逐级分解样类
5 什K邻法
取未知样xk邻k邻中数属类x类
6 监督学非监督学区
利已标定类样集进行分类器设计方法称监督学情况法预先知道样类没标记样集开始进行分类器设计非监督学
7 什支持量机
两类样中离分类面点行优分类面超面训练样做支持量
支持量机基思想：首先通非线性变换输入空间变换高维空间然新空间中求取优线性分类面种非线性变换通定义适积函数实现
8 邻法基思想什
作种分段线性判函数极端情况类中全部样作代表点样决策方法邻法基思想
9 描述K均值聚类算法
定数点集合需聚类数目kk户指定k均值算法根某距离函数反复数分入k聚类中先机选取K象作初始聚类中心然计算象种子聚类中心间距离象分配距离聚类中心聚类中心分配象代表聚类旦全部象分配聚类聚类中心会根聚类中现象重新计算
10 详细写出感知器训练算法步骤
定初始值：置k0权量w(k)意值选常数0＜c≤1
输入样xm∈ {x1x2…xn}计算判决函数值g(xm)wT(k)xm
规修改权量
xm ∈wig(xm) ≤0w(k+1)w(k)+cxm
xm ∈wjg(xm) ＞0w(k+1)w(k)cxm
令kk+1返回第二步直w样稳定变结束
11 详细介绍初始聚类中心选择方法
取前c样点作初始聚类中心
验选择
全部数机分c类计算重心重心作聚类中心
密度法选择代表点（具统计特性）
c1类划分中产生c类划分问题初始聚类中心
12 详细写出Fisher算法步骤
13 什两分剪辑邻法压缩邻法
原始样机分两集合：预测集T参考集R预测集参考集样分完成考试参考务相互独立
剪辑基础掉部分样样助进步缩短计算时间降低存储求类方法作压缩邻法
2典型模式识系统部分组成？
原始数获取预处理特征提取选择分类聚类处理4部分
4 什验概率？
系统某具体模式样X条件位某种类型概率
5 样集推断总体概率分布方法？
1 参数估计
i 监督参数估计：样属类类条件总体概率密度函数形式已知某参数未知
ii 非监督参数估计：已知总体概率密度函数形式未知样类推断某参数
非参数估计：已知样类未知总体概率密度函数形式求直接推断概率密度函数身
11特征抽取特征选择区？
原始特征数量者样处高维空间中通映射（变换）方法低维空间表示样程特征抽取
特征选择：组特征中挑选出效特征达降低特征空间维数目程特征选择
12什优搜索算法？
优解唯快速算法分支定界算法属算法具回溯功
13统计学理核心问题？
验风险化原统计学致性条件
条件关统计学方法推广性界结
界基础建立样纳推理原
实现新原实际方法
1 描述贝叶斯公式作
贝叶斯公式：两事物Xw联合出现概率称联合概率利该公式计算验概率
2 利似然估计方法单变量正态分布函数估计均值μ方差σ2
P48
8什离散KL变换离散限KL展开
种基目标统计特性佳正交变换
9必考：针某识象设计模式识系统叙述步骤工作
文档香网(httpswwwxiangdangnet)户传
《香当网》用户分享的内容，不代表《香当网》观点或立场，请自行判断内容的真实性和可靠性！
该内容是文档的文本内容，更好的格式请下载文档
