模式识别按照计算机应用的分类,模式识别4次作业汇总.doc

模式识别4次作业汇总

北京工商大学

模式识别作业汇总

(2014年秋季学期)

课程名称：模式识别

专业班级：计研141班

学生姓名：董文菲 刘倩

指导教师：于重重

成绩：

2015年1月20日

第一次课的作业

在Matlab 环境下，利用第一题中给了matlab程序，尝试声音识别过程，并把程序流程图画出。

解：程序实现了识别“kiss”与“love”两个声音的界面图。程序流程图如下：

运行网址

http://www.wcl.ece.upatras.gr/en/ai/resources/demo-emotion-recognition-from-speech

上的java applet ，了解声音识别的过程。

解：智能对话系统的测试点如下图所示，

该智能对话系统可以通过语音交互获取信息，控制娱乐设备等智能应用。情感识别的构成如下图：

情感识别依赖于先进的音频参数化技术，利用高斯混合模型训练情绪识别模型。目前负面情绪的识别得到了很好的结果。

3. 选择鸢尾花数据集(iris，网上下载)，并尽可能多地使用《数据挖掘导论第三章》介绍的不同的可视化技术完成数据预处理(可参看第三章资料中的辅助ppt)，形成报告。文献注释和该书网站提供了可视化软件的线索。

解：(1)分类

选择朴素贝叶斯分类器算法，训练选项选择交叉验证，即把数据集分成若干份，1份作为验证集，其余部分作为训练集合。这样的方法保证了数据集的所有元素都被验证过。这里把数据集分为10份来进行训练。

分类器运行的信息，分类器训练的结果，分类器验证验证的结果、准确性计算等信息如下：

Visualize信息图，3种类别用不同颜色表示出来。可以从图中看出哪些属性的组合具有较好的区分度。

离散化(discretize):

类weka.filters.supervised.attribute.Discretize和weka.filters.unsupervised.attribute.Discretize。分别进行监督和无监督的数值属性的离散化，用来离散数据集中的一些数值属性到分类属性。unsupervised.attribute.Discretize:

supervised.attribute.Discretize

规范化(Nomalize):

类weka.filters.unsupervised.attribute.Normalize。规范化给定数据集中的所有数值属性值，类属性除外。结果值默认在区间[0,1]，但是利用缩放和平移参数，我们能将数值属性值规范到任何区间。如：但scale=2.0，translation=-1.0时，你能将属性值规范到区间[-1,+1]。标准化(standardize)：

类weka.filters.unsupervised.attribute.Standardize。标准化给定数据集中所有数值属性的值到一个0均值和单位方差的正态分布。

第二次课的作业

1.

解：属性有四种类型：标称、序数、区间、比率。其中标称和序数属性统称分类的或定性的。区间和比率是数值的或定量的。[h,p,st] = chi2gof(bins,'ctrs',bins,...

'frequency',obsCounts, ...

'expected',expCounts)

bin：有n组数值则:bin=0:(n-1)；

obsCounts：观测值

expCounts：期望值

h,p,st：返回值

3)符号检验

符号检验法：是通过两个相关样本的每对数据之差的符号进行检验，从而比较两个样本的显著性。具体地讲，若两个样本差异不显著，正差值与负差值的个数应大致各占一半。

符号检验与参数检验中相关样本显著性t检验相对应，当资料不满足参数检验条件时，可采用此法来检验两相关样本的差异显著性。

根据符号检验判断差异显著性时也要查表找出相应的临界值。但特别应注意的是在某一显著性水平下，实得的r值大于表中r的临界值时，表示差异不显著，这一点与参数检验时的统计量和临界值的判断结果不同。

4)均值

M = mean(A)

返回沿数组中不同维的元素的平均值。

如果A是一个向量，mean(A)返回A中元素的平均值。

如果A是一个矩阵，mean(A)将中的各列视为向量，把矩阵中的每列看成一个向量，返回一个包含每一列所有元素的平均值的行向量。 如果A是一个多元数组，mean(A)将数组中第一个非单一维的值看成一个向量，返回每个向量的平均值。

例：

5)标准差(Standard Deviation)

在概率统计中最常使用作为统计分布程度(statistical dispersion)上的测量。标