【模式识别原理】matlab 感知器 准则函数分类器示例

进一步了解分类器的设计概念，理解并掌握感知准则函数分类器的原理及方法，并用于实际的数据分类。

1实验原理

利用梯度下降法求解感知准则函数的解向量。

构造准则函数

式中Yk是错分样本集合。

解向量求解的迭代形式

2实验内容

已知有两类数据w1和w2,

，

w1中数据点的坐标对应一一如下：

数据：

x1 =

    0.2331    1.5207    0.6499    0.7757    1.0524    1.1974

    0.2908    0.2518    0.6682    0.5622    0.9023    0.1333

   -0.5431    0.9407   -0.2126    0.0507   -0.0810    0.7315

    0.3345    1.0650   -0.0247    0.1043    0.3122    0.6655

    0.5838    1.1653    1.2653    0.8137   -0.3399    0.5152

    0.7226   -0.2015    0.4070   -0.1717   -1.0573   -0.2099

y1=

    2.3385    2.1946    1.6730    1.6365    1.7844    2.0155

    2.0681    2.1213    2.4797    1.5118    1.9692    1.8340

    1.8704    2.2948    1.7714    2.3939    1.5648    1.9329

    2.2027    2.4568    1.7523    1.6991    2.4883    1.7259

    2.0466    2.0226    2.3757    1.7987    2.0828    2.0798

    1.9449    2.3801    2.2373    2.1614    1.9235    2.2604

z1=

    0.5338    0.8514    1.0831    0.4164    1.1176    0.5536

    0.6071    0.4439    0.4928    0.5901    1.0927    1.0756

    1.0072    0.4272    0.4353    0.9869    0.4841    1.0992

    1.0299    0.7127    1.0124    0.4576    0.8544    1.1275

    0.7705    0.4129    1.0085    0.7676    0.8418    0.8784

    0.9751    0.7840    0.4158    1.0315    0.7533    0.9548

w2数据点的对应的三维坐标为

x2 =

    1.4010    1.2301    2.0814    1.1655    1.3740    1.1829

    1.7632    1.9739    2.4152    2.5890    2.8472    1.9539

    1.2500    1.2864    1.2614    2.0071    2.1831    1.7909

    1.3322    1.1466    1.7087    1.5920    2.9353    1.4664

    2.9313    1.8349    1.8340    2.5096    2.7198    2.3148

    2.0353    2.6030    1.2327    2.1465    1.5673    2.9414

y2 =

    1.0298    0.9611    0.9154    1.4901    0.8200    0.9399

    1.1405    1.0678    0.8050    1.2889    1.4601    1.4334

    0.7091    1.2942    1.3744    0.9387    1.2266    1.1833

    0.8798    0.5592    0.5150    0.9983    0.9120    0.7126

    1.2833    1.1029    1.2680    0.7140    1.2446    1.3392

    1.1808    0.5503    1.4708    1.1435    0.7679    1.1288

z2 =

    0.6210    1.3656    0.5498    0.6708    0.8932    1.4342

    0.9508    0.7324    0.5784    1.4943    1.0915    0.7644

    1.2159    1.3049    1.1408    0.9398    0.6197    0.6603

    1.3928    1.4084    0.6909    0.8400    0.5381    1.3729

    0.7731    0.7319    1.3439    0.8142    0.9586    0.7379

    0.7548    0.7393    0.6739    0.8651    1.3699    1.1458

3实验要求

代码:

 clc;clear;close all

x1 =[

    0.2331    1.5207    0.6499    0.7757    1.0524    1.1974

    0.2908    0.2518    0.6682    0.5622    0.9023    0.1333

   -0.5431    0.9407   -0.2126    0.0507   -0.0810    0.7315

    0.3345    1.0650   -0.0247    0.1043    0.3122    0.6655

    0.5838    1.1653    1.2653    0.8137   -0.3399    0.5152

    0.7226   -0.2015    0.4070   -0.1717   -1.0573   -0.2099];

y1=[

    2.3385    2.1946    1.6730    1.6365    1.7844    2.0155

    2.0681    2.1213    2.4797    1.5118    1.9692    1.8340

    1.8704    2.2948    1.7714    2.3939    1.5648    1.9329

    2.2027    2.4568    1.7523    1.6991    2.4883    1.7259

    2.0466    2.0226    2.3757    1.7987    2.0828    2.0798

    1.9449    2.3801    2.2373    2.1614    1.9235    2.2604];

z1=[

    0.5338    0.8514    1.0831    0.4164    1.1176    0.5536

    0.6071    0.4439    0.4928    0.5901    1.0927    1.0756

    1.0072    0.4272    0.4353    0.9869    0.4841    1.0992

    1.0299    0.7127    1.0124    0.4576    0.8544    1.1275

    0.7705    0.4129    1.0085    0.7676    0.8418    0.8784

    0.9751    0.7840    0.4158    1.0315    0.7533    0.9548];

x2 =[

    1.4010    1.2301    2.0814    1.1655    1.3740    1.1829

    1.7632    1.9739    2.4152    2.5890    2.8472    1.9539

    1.2500    1.2864    1.2614    2.0071    2.1831    1.7909

    1.3322    1.1466    1.7087    1.5920    2.9353    1.4664

    2.9313    1.8349    1.8340    2.5096    2.7198    2.3148

    2.0353    2.6030    1.2327    2.1465    1.5673    2.9414];

y2 =[

    1.0298    0.9611    0.9154    1.4901    0.8200    0.9399

    1.1405    1.0678    0.8050    1.2889    1.4601    1.4334

    0.7091    1.2942    1.3744    0.9387    1.2266    1.1833

    0.8798    0.5592    0.5150    0.9983    0.9120    0.7126

    1.2833    1.1029    1.2680    0.7140    1.2446    1.3392

    1.1808    0.5503    1.4708    1.1435    0.7679    1.1288];

z2 =[

    0.6210    1.3656    0.5498    0.6708    0.8932    1.4342

    0.9508    0.7324    0.5784    1.4943    1.0915    0.7644

    1.2159    1.3049    1.1408    0.9398    0.6197    0.6603

    1.3928    1.4084    0.6909    0.8400    0.5381    1.3729

    0.7731    0.7319    1.3439    0.8142    0.9586    0.7379

    0.7548    0.7393    0.6739    0.8651    1.3699    1.1458];

xx1 = [x1(:) y1(:) z1(:)]';

xx2 = [x2(:) y2(:) z2(:)]';

m1=mean(xx1,2);

m2=mean(xx2,2);

s1=zeros(3,3);

for i=1:size(xx1,2)

    s1 = s1 + (xx1(:,i)-m1)*(xx1(:,i)-m1)';

end

s2=zeros(3,3);

for i=1:size(xx2,2)

    s2 = s2 + (xx2(:,i)-m2)*(xx2(:,i)-m2)';

end

sw=s1+s2;

w=inv(sw)*(m1-m2);

w=w/sqrt(w'*w)

g1 = w'*xx1;;

g2 = w'*xx2;;

r1=ones(size(g1));

r2=ones(size(g2));

hold on

plot(g1,r1,'b*')

plot(g2,r2,'r+')

t =[1 1.5 0.6; 1.2 1.0 0.55; 2.0 0.9 0.68; 1.2 1.5 0.89;0.23 2.33 1.43];

yt=w'*t';

rt1=1.1*ones(size(yt));

w0=w'*(m1+m2)/2;

plot(yt(find(yt>w0)),rt1(yt>w0),'b+')

plot(yt(find(yt<w0)),rt1(yt<w0),'r*')

a=axis;

a(3)= 0.99;

1. 求出解向量，验证用其能否将原始样本进行类别区分。

解向量w =

  [-0.3612

    0.9071

   -0.2163]   

可以对样本进行正确分类.

根据上述的结果并判断（1，1.5，0.6）(1.2，1.0，0.55)，(2.0，0.9，0.68)，(1.2，1.5，0.89)，（0.23，2.33，1.43），属于哪个类别。

第一类: （1，1.5，0.6）, (1.2，1.0，0.55), (1.2，1.5，0.89)

第二类: (2.0，0.9，0.68), (2.0，0.9，0.68)

1. 图示分类结果。

---

我的其他专栏：

C语言

单片机原理

模式识别原理

数字电子技术实验

自动控制原理

模拟电子技术

数据结构

关注我了解更多