模式识别练习题第四章 习题解
1. 设一维两类模式满足正态分布,它们的均值和方差分别为,1=0,1=2,2=2,2=2,p(x) N(,),窗函数P(ω1)= P(ω2),取0-1损失函数,试算出判决边界点,并绘出它们的概率密度函数曲线;试确定样本-3,-2,1,3,5各属哪一类。
解:
已知
,
由Bayes最小损失判决准则:
如果
,则判
,否则判
。
如果
,则判
,否则判
。
-3,-2属于ω1;1,3,5属于ω2。
2. 在图像识别中,假定有灌木丛和坦克两种类型,分别用ω1和ω2表示,它们的先验概率分别...
第四章 习
解
1. 设一维两类模式满足正态分布,它们的均值和方差分别为,1=0,1=2,2=2,2=2,p(x) N(,),窗
P(ω1)= P(ω2),取0-1损失函数,试算出判决边界点,并绘出它们的概率密度函数曲线;试确定样本-3,-2,1,3,5各属哪一类。
解:
已知
,
由Bayes最小损失判决准则:
如果
,则判
,否则判
。
如果
,则判
,否则判
。
-3,-2属于ω1;1,3,5属于ω2。
2. 在图像识别中,假定有灌木丛和坦克两种类型,分别用ω1和ω2
示,它们的先验概率分别为0.7和0.3,损失函数如表所示。现在做了四次试验,获得四个样本的类概率密度如下:
:0.1,0.15,0.3, 0.6
:0.8,0.7,0.55, 0.3
(1) 试用贝叶斯最小误判概率准则判决四个样本各属于哪个类型;
(2) 假定只考虑前两种判决,试用贝叶斯最小风险准则判决四个样本各属于哪个类型;
(3) 将拒绝判决考虑在内,重新考核四次试验的结果。
表
类型损失
判决
ω1
ω2
1 (判为ω1)
0.5
2.0
2 (判为ω2)
4.0
1.0
3 (拒绝判决)
1.5
1.5
解:
(1)两类问题的Bayes最小误判概率准则为
如果
,则判
,否则判
。
由已知数据,12=0.3/0.7=3/7,
样本x1:∵ l12(x1)=0.1/0.8<12=3/7 x1ω2
样本x2:∵ l12(x2)=0.15/0.7<12=3/7 x2ω2
样本x3:∵ l12(x3)=0.3/0.55>12=3/7 x3ω1
样本x4:∵ l12(x4)=0.6/0.3>12=3/7 x4ω1
(2)不含拒绝判决的两类问题的Bayes最小风险判决准则为
如果
,则判
,否则判
。
由已知数据,12=0.3(2 - 1)/[0.7(4 - 0.5)]=3/24.5,
样本x1:∵ l12(x1)=1/8>12=6/49 x1ω1
样本x2:∵ l12(x2)=3/14>12=6/49 x2ω1
样本x3:∵ l12(x3)=6/11>12=6/49 x3ω1
样本x4:∵ l12(x4)=6/3>12=6/49 x4ω1
(3)含拒绝判决的两类问题的Bayes最小风险判决准则为
其中条件风险:
后验概率:
记
(4.7-1)
则,含拒绝判决的两类问题的Bayes最小风险判决准则为
对四个样本逐一列写下表,用(4.7-1)式计算r(j|x)。
样本x1:
(j|ωi) 类型
损失
判决
ω1
p(x|ω1)P(ω1)=
0.10.7=0.07
ω2
p(x|ω2)P(ω2)=
0.80.3=0.24
r(j|x)
1 (判为ω1)
0.5
2.0
0.5*0.07+2*0.24=0.515
2 (判为ω2)
4.0
1.0
4*0.07+1*0.24=0.52
3 (拒绝判决)
1.5
1.5
1.5*0.07+1.5*0.24=0.465
因为r(3|x1)=0.465最小,所以拒绝判决;
样本x2:
(j|ωi) 类型
损失
判决
ω1
p(x|ω1)P(ω1)=
0.150.7=0.105
ω2
p(x|ω2)P(ω2)=
0.70.3=0.21
r(j|x)
1 (判为ω1)
0.5
2.0
0.5*0.105+2*0.21=0.4725
2 (判为ω2)
4.0
1.0
4*0.105+1*0.21=0.63
3 (拒绝判决)
1.5
1.5
1.5*0.105+1.5*0.21=0.4725
因为r(1|x2)=0.4725最小,所以判x2ω1,即灌木丛,或拒绝判决;
样本x3:
(j|ωi) 类型
损失
判决
ω1
p(x|ω1)P(ω1)=
0.30.7=0.21
ω2
p(x|ω2)P(ω2)=
0.550.3=0.165
r(j|x)
1 (判为ω1)
0.5
2.0
0.5*0.21+2*0.165=0.435
2 (判为ω2)
4.0
1.0
4*0.21+1*0.165=1.005
3 (拒绝判决)
1.5
1.5
1.5*0.21+1.5*0.165=0.5625
因为r(1|x3)=0.435最小,所以判x3ω1,即灌木丛;
样本x4:
(j|ωi) 类型
损失
判决
ω1
p(x|ω1)P(ω1)=
0.60.7=0.42
ω2
p(x|ω2)P(ω2)=
0.30.3=0.09
r(j|x)
1 (判为ω1)
0.5
2.0
0.5*0.42+2*0.09=0.39
2 (判为ω2)
4.0
1.0
4*0.42+1*0.09=1.77
3 (拒绝判决)
1.5
1.5
1.5*0.42+1.5*0.09=0.765
因为r(1|x4)=0.39最小,所以判x4ω1,即灌木丛。
3. 假设两类二维正态分布参数为1=(-1,0)’,2=(1,0)’,先验概率相等。
(1)令1=2=I,试给出判决规则;
2)令
解:
Bayes最小误判概率似然比判决规则为
如果
,则判
,否则判
。
相应的负对数似然比判决规则为
如果
,则判
,否则判
。
对于正态分布
(1)由已知,
故,如果
则判
,否则判
。
(2)
∵
,
,
即,
故,Bayes判决函数为d(x)=1.5-x 。
4.在目标识别中,假定类型1为敌方目标,类型2为诱饵(假目标),已知先验概率P(1)=0.2和P(2)=0.8,类概率密度函数如下:
(1)求贝叶斯最小误判概率准则下的判决域,并判断样本x=1.5属于哪一类;
解:(1)应用贝叶斯最小误判概率准则如果
则判
得 l12(1.5)=1 <
=4,故 x=1.5属于2 。
5.设在三维空间中一个类别分类问题拟采用二次曲面。如欲采用广义线性方程求解。试向其广义样本向量与广义权向量的表达式,其维数是多少?
答:设次二次曲面为
故广义权向量:
广义样本向量:
维数为9。
6.设两类样本的类内离散矩阵分别为
,
试用fisher准则求其决策面方程。
答:
由于两类样本分布形状是相同的(只是方向不同),因此w0应为两类均值的中点
。
下图中的绿线为最佳线性分界面。
7.已知有两类数据,分别为
试求:该组数据的类内及类间离散矩阵
及
。
答:第一类的均值向量为
8.设一个二维空间中的两类样本服从正态分布,其参数分别为
,
,先验概率
试证明其基于最小错误率的贝叶斯决策分界面方程为一圆,并求其方程。
证明:先验概率相等条件下,基于最小错误率贝叶斯决策的分界面上两类条件概率密度函数相等。
因此有:
化简为
,是一个圆的方程。
9.画出用近邻法得到的分类器
第一类样本:(0,1)T,(0,1)T
第二类样本:(0,0)T,(-1,0)T
本文档为【模式识别练习题】,请使用软件OFFICE或WPS软件打开。作品中的文字与图均可以修改和编辑,
图片更改请在作品中右键图片并更换,文字修改请直接点击文字进行修改,也可以新增和删除文档中的内容。
[版权声明] 本站所有资料为用户分享产生,若发现您的权利被侵害,请联系客服邮件isharekefu@iask.cn,我们尽快处理。
本作品所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用。
网站提供的党政主题相关内容(国旗、国徽、党徽..)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。