武汉理工大学,模式识别实验报告,带数据!带代码!.docx

武汉理工大学模式识别实验报告姓名： 班级： 学号：姓名： 班级： 学号：实验一 总体概率密度分布的非参数方法实验目的1.了解使用非参数方法估计样本概率密度函数的原理。2.了解Parzen窗法的原理及其参数h1，N对估计结果的影响。3.掌握Parzen窗法的算法并用Matlab实现。4.使用Matlab分析Parzen窗法的参数h1，N对估计结果的影响。二、实验数据一维正态分布样本，使用函数randn生成。实验结果选取的h1=0.25,1,4，N=1,16,256,4096,65536，得到15个估计结果，如下图所示。由下面三组仿真结果可知，估计结果依赖于N和h1。当N=1时，是一个以样本为中心的小丘。当N=16和h1=0.25时，仍可以看到单个样本所起的作用；但当h1=1及h1=4时就受到平滑，单个样本的作用模糊了。随着N的增加，估计量越来越好。这说明，要想得到较精确的估计，就需要大量的样本。但是当N取的很大，h1相对较小时，在某些区间内hN趋于零，导致估计的结果噪声大。分析实验数据发现在h1=4，N=256时，估计结果最接近真实分布。附录：1.Parzen窗法函数文件parzen.mfunction parzen=parzen(N,h1,x)%ParzenhN = h1/sqrt(N);num_x = numel(x);parzen = zeros(1, num_x);for u = 1:num_x for i=1:N parzen(u) = parzen(u)+exp(((x(u)-x(i))/hN).^2/-2); end parzen(u)=parzen(u)/sqrt(2*pi)/h1/sqrt(N);end2.例程文件parzen_sample.mx = randn(1,10000);%Normally distributed pseudorandom numberspx = normpdf(x,0,1);%Normal probability density function - normpdf(X,mu,sigma)h1 = [0.25, 1, 4];N = [1, 16, 256, 1024, 4096];num_h1 = numel(h1);%Number of array elementsnum_N = numel(N);figure(Name, 总体概率密度分布的非参数方法);%遍历h1for i_h1 = 1:length(h1) h1_offset = (i_h1-1)*(num_N+1)+1;%绘图位置的偏移量 subplot(num_h1, num_N+1, h1_offset); plot(x, px, .); ylabel(sprintf(%s%4.2f, h1=, h1(i_h1))); title(正态分布样本的概率密度函数) %遍历N for i_N = 1 : length(N) pNx=parzen(N(i_N), h1(i_h1), x); subplot(num_h1, num_N+1, h1_offset+i_N); plot(x, pNx, .); title(sprintf(%s%d, N=, N(i_N))); endend姓名： 班级： 学号：实验二 感知器准则算法实验一、实验目的1.了解利用线性判别函数进行分类的原理。2.了解感知器准则算法的原理及其权向量的意义。3.掌握感知器准则算法并用Matlab实现。4.使用Matlab分析感知器准则算法生成线性判别函数的分类效果。二、实验数据二维坐标点数据集，w1类和w2类各10个样本。第一组w1 = [0.1, 6.8, -3.5, 2.0, 4.1, 3.1, -0.8, 0.9, 5.0, 3.9; 1.1, 7.1, -4.1, 2.7, 2.8, 5.0, -1.3, 1.2, 6.4, 4.0];w2 = [7.1, -1.4, 4.5, 6.3, 4.2, 1.4, 2.4, 2.5, 8.4, 4.1; 4.2, -4.3, 0.0, 1.6, 1.9, -3.2, -4.0, -6.1, 3.7, -2.2];第二组w1 = [0.1, 6.8, -3.5, 2.0, 4.1, 3.1, -0.8, 0.9, 5.0, 3.9; 1.1, 7.1, -4.1, 2.7, 2.8, 5.0, -1.3, 1.2, 6.4, 4.