实验二 势函数算法的迭代训练

实验二 势函数算法的迭代训练

一．实验目的
通过本实验的学习，使学生了解或掌握模式识别中利用势函数思想设计非线性判别函数的方法，能够实现模式的分类。学会运用已学习的先导课程如数据结构和算法设计知识，选用合适的数据结构完成算法的设计和程序的实现。并通过训练数据来建立非线性判别函数,通过代待分类样本进行分类预测,通过检查预测结果和数据的几何分布特性检验分类器的正确性。通过选用此种分类方法进行分类器设计实验，强化学生对非线性分类器的了解和应用，从而牢固掌握模式识别课程内容知识。
二．实验内容
假定对病人3项主要指标检查得到正常（类）和非正常（类）的数据如下：
类： （1，2， 5）， (1，1， 2），（3，3，6）;
类： （5，6，10），（7，6，11），（8，7，12）.
三．实验步骤
1、选定势函数（3个双变量对称基函数中选1;或做成多选的，实现人工自动选择）；
2、确定合适数据结构，以便分别完成势函数和判别函数的正确表示；
3、对训练样本加以训练学习，建立判别函数,使其满足分类要求
4、记录并输出训练轮次；
5、对所有样本的类别用你的分类器加以判断(分类决策),比较与实际类别的差异；
6、对待分类样本进行判断，得到其类别（预测），如可能，以几何分布情况加以说明；
7、输出你的判别函数的表达形式（注意：表达形式要求便于阅读理解）。
四．测试
1、先测试已有样本的正确性。
2、用待分类数据加以分类。这里，对样本： （2，3，5），（6，7，10）
分别测试，检查它们几何分布情况是否与得到的分别属于类和类的结果相符，从而确认所设计的分类器是正确的。
五．实现提示
1）样本存放在矩阵s中，s的每一行是一个样本，为方便编程，可将类别号增加在每个样本中，作为最后一维；
2）为了保存和计算判别函数,可使用一个辅助的结构数组ftbl,该数组的每个分量含两个成分:index和symbol。 index记录对应样本下标号，symbol记录该项的符号。
六、实验代码

%% --Document Description
% Created at 2019/04/12: by Feichao(Charles Fei)
% Version:  V1_0
% 程序功能描述：
%       基于势函数算法实现二维空间模式的聚类分析：三类线性不可分的样本
clc;
clear
close all;

%%模式类的产生
Num = 100;                                                %每类100个样本数据
Diffusance = 0.4;                                         %样本扩散度
x1 = Diffusance*randn(Num,2) + [zeros(Num,1), ones(Num,1)];    %数据中心(0,1)
x2 = Diffusance*randn(Num,2) + [-ones(Num,1), -ones(Num,1)];   %数据中心(-1,-1)
x3 = Diffusance*randn(Num,2) + [ones(Num,1), -ones(Num,1)];    %数据中心(1,-1)

%% 变量初始化
X1 = x1; 
X2 = x2; 
X3= x3;
Num = length(X1);

%% 算法过程
count_max = 50;                                        % 最大迭代次数
% 对模式1的势函数求解
% 势函数 K 初始化
count_1 = 1; % 迭代计次， 跳出迭代
count_2 = 1; 
count_3 = 1;              
syms x1 x2 real;        
% K 初始化
xk1 = X1(1,1); xk2 = X1(1,2);    
K1 = exp(-((x1 - xk1)^2 + (x2 - xk2)^2));                    
xk1 = X2(1,1); xk2 = X2(1,2);
K2 = exp(-((x1 - xk1)^2 + (x2 - xk2)^2));                    
xk1 = X3(1,1); xk2 = X3(1,2);
K3 = exp(-((x1 - xk1)^2 + (x2 - xk2)^2));                  

% 迭代过程
while count_1 < count_max                              %先对模式1进行分类，完成后对模式2进行分类
    count_1 = count_1 + 1
    finish_flag = 0;                                    %迭代完成标志
    for i = 1:Num
        % 对于分类1，K值<0错误则需要修正 K
        x1 = X1(i,1); x2 = X1(i,2); 
        K_V = subs(K1);                       % 查看势函数的值
        if K_V < 0
            finish_flag = 1;
            syms x1 x2 real;
            xk1 = X1(i,1); xk2 = X1(i,2);
            K1 = K1 + exp(-((x1 - xk1)^2 + (x2 - xk2)^2));
        end
        % 对于分类2，K值>0错误则需要修正 K
        x1 = X2(i,1); x2 = X2(i,2);
        K_V = subs(K1);
        if K_V > 0
            finish_flag = 1;
            syms x1 x2 real;
            xk1 = X2(i,1); xk2 = X2(i,2);
            K1 = K1 - exp(-((x1 - xk1)^2 + (x2 - xk2)^2));
        end
        % 对于分类3，K值>0错误则需要修正 K
        x1 = X3(i,1); x2 = X3(i,2);
        K_V = subs(K1);
        if K_V > 0
            finish_flag = 1;
            syms x1 x2 real;
            xk1 = X3(i,1); xk2 = X3(i,2);
            K1 = K1 - exp(-((x1 - xk1)^2 + (x2 - xk2)^2));
        end 
    end
    if finish_flag == 0
       break; 
    end
end

if count_1 ~= count_max                                 %对模式2进行分类   
syms x1 x2 real;                                        % 横坐标变量 x1，纵坐标变量 x2
while count_2 < count_max
    count_2 = count_2 + 1
    finish_flag = 0;                                    % 迭代完成标志
    for i = 1:Num
        % 对于分类1，K值<0错误则需要修正 K
        x1 = X1(i,1); x2 = X1(i,2); 
        K_V = subs(K2);                       % 查看势函数的值
        if K_V > 0
            finish_flag = 1;
            syms x1 x2 real;
            xk1 = X1(i,1); xk2 = X1(i,2);
            K2 = K2 - exp(-((x1 - xk1)^2 + (x2 - xk2)^2));
        end
        % 对于分类2，K值<0错误则需要修正 K
        x1 = X2(i,1); x2 = X2(i,2);
        K_V = subs(K2);
        if K_V < 0
            finish_flag = 1;
            syms x1 x2 real;
            xk1 = X2(i,1); xk2 = X2(i,2);
            K2 = K2 + exp(-((x1 - xk1)^2 + (x2 - xk2)^2));
        end
        % 对于分类3，K值<0错误则需要修正 K
        x1 = X3(i,1); x2 = X3(i,2);
        K_V = subs(K2);
        if K_V > 0
            finish_flag = 1;
            syms x1 x2 real;
            xk1 = X3(i,1); xk2 = X3(i,2);
            K2 = K2 - exp(-((x1 - xk1)^2 + (x2 - xk2)^2));
        end 
    end
    if finish_flag == 0
       break; 
    end
end

if count_2 ~= count_max                                 %对模式3进行分类
count_3 = 1;                                     
syms x1 x2 real;                                 % 横坐标变量 x1，纵坐标变量 x2
while count_3 < count_max
    count_3 = count_3 + 1
    finish_flag = 0;                                    % 迭代完成标志
    for i = 1:Num
        % 对于分类1，K值<0错误则需要修正 K
        x1 = X1(i,1); x2 = X1(i,2); 
        K_V = subs(K3);                       % 查看势函数的值
        if K_V > 0
            finish_flag = 1;
            syms x1 x2 real;
            xk1 = X1(i,1); xk2 = X1(i,2);
            K3 = K3 - exp(-((x1 - xk1)^2 + (x2 - xk2)^2));
        end
        % 对于分类2，K值<0错误则需要修正 K
        x1 = X2(i,1); x2 = X2(i,2);
        K_V = subs(K3);
        if K_V > 0
            finish_flag = 1;
            syms x1 x2 real;
            xk1 = X2(i,1); xk2 = X2(i,2);
            K3 = K3 - exp(-((x1 - xk1)^2 + (x2 - xk2)^2));
        end
        % 对于分类3，K值<0错误则需要修正 K
        x1 = X3(i,1); x2 = X3(i,2);
        K_V = subs(K3);
        if K_V < 0
            finish_flag = 1;
            syms x1 x2 real;
            xk1 = X3(i,1); xk2 = X3(i,2);
            K3 = K3 + exp(-((x1 - xk1)^2 + (x2 - xk2)^2));
        end 
    end
    if finish_flag == 0
       break; 
    end
end
end
end

figure;
hold on; 
box on; 
grid on;
plot(X1(:,1), X1(:,2),'k.'); 
plot(X2(:,1), X2(:,2),'g.'); 
plot(X3(:,1), X3(:,2),'r.');
fimplicit(K1 == 0,'color','k','linewidth',2);
fimplicit(K2 == 0,'color','g','linewidth',2);
fimplicit(K3 == 0,'color','r','linewidth',2);
axis([-3 3 -3 3]);

七、实验结果