Fisher线性判别 模式识别 例题

最新推荐文章于 2023-03-04 13:30:16 发布
最新推荐文章于 2023-03-04 13:30:16 发布
阅读量8.8k 收藏 36
点赞数 10
文章标签： 模式识别 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43919327/article/details/111831927
版权

**

Fisher线性判别

**
在这里插入图片描述在这里插入图片描述在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
【例4-1】本程序为纸币100元A面与50元A 面的Fisher判别门限的程序，通过全局变量 dat自动从样本数据中将内容读入dat[10][4][8][8][60]，dat为一个五维数组，第一维代表10 个样本，第二维代表人民币的币种，第三维代表旧版人民币的四个传感器数据和新

版人民币的四个传感器的数据，第四维代表八个传感器，第五维代表60次采样，程序将记录100元A面与50元A面各自的均值矢量、类内离差矩阵、类内离差总矩阵、投影特征向量和判别阈值。

//慰慰
double sw[32][8][8];//类内离差矩阵
double mj[32][8];//模式均值矢量
double sww[8][8];//类间离差矩阵
//fisher.cpp:Defines the entry point for the console application.//
//rmbdis.cpp:Defines the entry point for the console appication.//
#include"stdio.h"
#include"math.h"
#include"conio.h"
#include<fstream>
#include<iomanip>
using namespace std;
#define PNUM 60
unsigned char dat[10][4][8][8][60]={
//0--样本1，1--样本1，...，8--样本9，9--样本10
//0--100,1--50,2--20,3--10
//O--A向，1--B向，2--C向，3--D向，4--新版A向，5-新版B向，6--新版C向，7-新版D向
//0--传感1，1--传感2，2--传感3，3--传感4，4--传感5，5--传感6，6--传感7，7--传感8
{
#include"C:\\Users\\慰\\Desktop\\fisher线性判别\\样本\\rmb00.txt"
},
{
#include"C:\\Users\\慰\\Desktop\\fisher线性判别\\样本\\rmb01.txt"
},
{
#include"C:\\Users\\慰\\Desktop\\fisher线性判别\\样本\\rmb02.txt"
},
{
#include"C:\\Users\\慰\\Desktop\\fisher线性判别\\样本\\rmb03.txt"
},
{
#include"C:\\Users\\慰\\Desktop\\fisher线性判别\\样本\\rmb04.txt"
},
{
#include"C:\\Users\\慰\\Desktop\\fisher线性判别\\样本\\rmb06.txt"
},
{
#include"C:\\Users\\慰\\Desktop\\fisher线性判别\\样本\\rmb07.txt"
},
{
#include"C:\\Users\\慰\\Desktop\\fisher线性判别\\样本\\rmb08.txt"
},
{
#include"C:\\Users\\慰\\Desktop\\fisher线性判别\\样本\\rmb09.txt"
}
};
#define NUM 8
double Eueliden(double x[],double y[],int n)
{
double d;
d=0.0;
for(int i=0;i<n;i++){
d+=(x[i]-y[i])*(x[i]-y[i]);
}
d=sqrt(d);
return d;
}
double Manhattan(double x[],double y[],int n)
{
double d;
d=0.0;
for(int i=0;i<n;i++){
d+=fabs(x[i]-y[i]);
}
return d;
}

double Chebyshev(double x[],double y[],int n)
{
double d;
d=0.0;
for(int i=0;i<n;i++){
if(fabs(x[i]-y[i])>d)d=fabs(x[i]-y[i]);
}
return d;
}

double Minkowski(double x[],double y[],int n,int m)
{
double d;
d=0.0;
for(int i=0;i<n;i++){
d+=(double)powf((float)(x[i]-y[i]),(float)m);
}
d=(double)powf((float)d,1.0f/m);
return d;
}

double Mahalanobis(double x[],double y[],double matv1[8][8])
{
double dx,dy;
int i,j;

dx=0.0;
for(i=0;i<8;i++){
dy=0.0;
for(j=0;j<8;j++){
dy+=matv1[i][j]*(x[j]-y[j]);
}
dx+=dy*(x[i]-y[i]);
}
return dx;
}

void GetMatV(double V[8][8],int k)
{
int i,j,m,n1,n2,n3;
double xm[8],d,x,y;

m=4*8*PNUM;
for(i=0;i<8;i++){
d=0;
for(n1=0;n1<4;n1++){
for(n2=0;n2<8;n2++){
for(n3=0;n3<PNUM;n3++){
d+=(double)dat[k][1][n2][i][n3];
}
}
}
d/=m;
xm[i]=d;
}
for(i=0;i<8;i++){
for(j=0;j<8;j++){
d=0;
for(n1=0;n1<4;n1++){
for(n2=0;n2<8;n2++){
for(n3=0;n3<PNUM;n3++){
x=(double)dat[k][n1][n2][i][n3]-xm[i];
y=(double)dat[k][n1][n2][j][n3]-xm[j];
d+=x*y;
}
}
}
d/=m-1.0;
V[i][j]=d;
}
}
}

void Gauss_Jordan(double matv[8][8],double matv1[8][8])
{
int n=8;
double mat[8][16],d;
int i,j,l,k;
for(i=0;i<n;i++){
for(j=0;j<2*n;j++){
if(j<n)
mat[i][j]=matv[i][j];
else
mat[i][j]=0.0;
}
}
for(i=0;i<n;i++)mat[i][n+i]=1.0;
for(k=0;k<n;k++){
d=fabs(mat[k][k]);
j=k;
for(i=k+1;i<n;i++){
if(fabs(mat[i][k])>d){//选主元
d=fabs(mat[i][k]);
j=i;
}
}

if(j!=k){//交换
for(l=0;l<2*n;l++){
d=mat[j][l];
mat[j][l]=mat[k][l];
mat[k][l]=d;
}
}
for(j=k+1;j<2*n;j++){
mat[k][j]/=mat[k][k];
}
for(i=0;i<n;i++){
if(i==k)continue;
for(j=k+1;j<2*n;j++){
mat[i][j]-=mat[i][k]*mat[k][j];
}
}
}

for(i=0;i<n;i++){
for(j=0;j<n;j++){
matv1[i][j]=mat[i][j+n];
}
}
}

void getswj(double mats[8][8],double mj[8],unsigned char data[8][60])
{
int i,j,k;
for(i=0;i<8;i++){
mj[i]=0.0;
for(k=0;k<PNUM;k++){
mj[i]+=(double)data[i][k];
}
mj[i]/=60.0;
}
for(i=0;i<8;i++){
for(j=0;j<8;j++){
mats[i][j]=0;
for(k=0;k<PNUM;k++){
mats[i][j]+=(data[i][k]-mj[i])*(data[j][k]-mj[j]);
}
mats[i][j]/=59.0;
}
}
}

void get4sw(double mats[8][8],double mj[8],unsigned char data[8][8][60])
{
int i,j,k,m;
for(i=0;i<NUM;i++){
mj[i]=0.0;
for(j=0;j<8;j++){
for(k=0;k<PNUM;k++){
mj[i]+=(double)data[j][i][k];
}
}
mj[i]/=8.0*PNUM;
}
for(i=0;i<NUM;i++){
for(j=0;j<NUM;j++){
mats[i][j]=0;
for(m=0;m<8;m++){
for(k=0;k<PNUM;k++){
mats[i][j]+=(data[m][i][k]-mj[i])*(data[m][j][k]-mj[j]);
}
}
mats[i][j]/=8*PNUM-1;
}
}
}

void getsb(double sb[8][8],double mj[32][8],unsigned char data[4][8][8][60])
{
int i,j,k;
double m[8];
for(i=0;i<8;i++){
m[i]=0;
for(j=0;j<32;j++){
for(k=0;k<60;k++){
m[i]+=data[j/8][j%8][i][k];
}
}
m[i]/=60.0*32.0;
}
for(i=0;i<8;i++){
for(j=0;j<8;j++){
sb[i][j]=0;
for(k=0;k<32;k++){
sb[i][j]+=(mj[k][i]-m[i])*(mj[k][j]-m[j]);
}
sb[i][j]/=32;
}
}
}

void getsw(double swj[32][8][8],double sw[8][8])
{
int i,j,k;
for(i=0;i<8;i++){
for(j=0;j<8;j++){
sw[i][j]=0;
for(k=0;k<32;k++){
sw[i][j]+=swj[k][i][j];
}
sw[i][j]/=32.0;
}
}
}

void MatMul(double mata[8][8],double matb[8][8],double matc[8][8])
{
int i,j,k;
for(i=0;i<NUM;i++){
for(j=0;j<NUM;j++){
matc[i][j]=0;
for(k=0;k<NUM;k++){
matc[i][j]+=mata[i][k]*matb[k][j];
}
}
}
}

void MatAdd(double mata[8][8],double matb[8][8],double matc[8][8])
{
int i,j;
for(i=0;i<NUM;i++){
for(j=0;j<NUM;j++){
matc[i][j]=mata[i][j]+matb[i][j];
}
}
}

void MatDec(double mata[8][8],double matb[8][8],double matc[8][8])
{
int i,j;
for(i=0;i<NUM;i++){
for(j=0;j<NUM;j++){
matc[i][j]=mata[i][j]-matb[i][j];
}
}
}

void getst(double sw[8][8],double sb[8][8],double st[8][8])
{
MatAdd(sw,sb,st);
}
double MatTrace(double mat[8][8])
{
int i;
double d=0.0;

for(i=0;i<NUM;i++){
d+=mat[i][i];
}
return d;
}

void OutSw(ofstream outfile,double sw[NUM][NUM])
{
int i,j;
for(i=0;i<NUM;i++){
for(j=0;j<NUM;j++){
outfile<<setprecision(5)<<sw[i][j];
if(j<NUM-1)outfile<<",";
else outfile<<endl;
}
}
}
double MulVector(double x[NUM],double y[NUM])
{
int i;
double d;
d=0.0;
for(i=0;i<NUM;i++){
d+=x[i]*y[i];
}
return d;
}
int main(int argc,char*argv[])
{
double sw[32][8][8];
double mj[32][8];
double sww[8][8];
double sww1[8][8];
int i,j;
/*get4sw(sw[0],mj[0],dat[0][0]);
get4sw(sw[8],mj[8],da[0][1]);
get4sw(sw[16],mj[16],dat[0][2]);
get4sw(sw[24],mj[24],dat[0][3]);*/
char name[20]="sw100a.h";
for(i=0;i<32;i++){
getswj(sw[i],mj[i],dat[0][i/8][i%8]);
}

MatAdd(sw[0],sw[8],sww);
Gauss_Jordan(sww,sww1);
ofstream outfile;
outfile.open("sw100ab.h");
outfile<<"//100A ml:\n";
for(i=0;i<NUM;i++){
outfile<<setw(5)<<setprecision(3)<<mj[0][i]<",";
}
outfile<<endl;
outfile<<"//50A m2:\n";
for(i=0;i<NUM;i++){
outfile<<setw(5)<<setprecision(3)<<mj[8][i]<<",";
}
outfile<<endl;
outfile<<"//100A SW1:\n";
for(i=0;i<NUM;i++){
for(j=0;j<NUM;j++){
outfile<<setw(5)<<setprecision(3)<<sw[0][i][j];
if(j<NUM-1)outfile<<",";
else outfile<<endl;
}
}
outfile<<"//50A SW2:\n";
for(i=0;i<NUM;i++){
for(j=0;j<NUM;j++){
outfile<<setw(5)<<setprecision(3)<<sw[8][i][j];
if(j<NUM-1)outfile<<",";
else outfile<<endl;
}
}
outfile<<"//SW=SW1＋SW2:\n";
for(i=0;i<NUM;i++){
for(j=0;j<NUM;j++){
outfile<<setw(5)<<setprecision(3)<<sww[i][j];
if(j<NUM-1)outfile<<",";
else outfile<<endl;
}
}
outfile<<"//SW-1:\n";
for(i=0;i<NUM;i++){
for(j=0;j<NUM;j++){
outfile<<setw(5)<<setprecision(3)<<sww1[i][j];
if(j<NUM-1)outfile<",";
else outfile<<endl;
}
}
double d,u[NUM];
for(i=0;i<NUM;i++){
d=0.0;
for(j=0;j<NUM;j++){
d+=sww1[i][j]*(mj[0][j]-mj[8][j]);
}
u[i]=d;
}
outfile<"//u=sw-1(ml-m2):\n";
for(i=0;i<NUM;i++){
outfile<<setw(5)<<setprecision(3)<<u[i]<<",";
}
outfile<<endl;
d=MulVector(u,mj[0]);
outfile<<"u*ml="<<d<<endl;
double d2;
d2=MulVector(u,mj[8]);
outfile<<"u*m2="<<d2<<endl;
d=(d+d2)/2.0;
outfile<<"yt="<<d<<endl;
double pt[NUM];
outfile<<"100AResult:\n";
for(i=0;i<PNUM;i++){
for(j=0;j<NUM;j++){
pt[j]=(double)dat[0][0][0][j][i];
}
d=MulVector(u,pt);
outfile<<setw(5)<<setprecision(3)<<d;
if((i+1)%8==0)
outfile<<endl;
else outfile<<",";
}
outfile<<endl;
outfile<<"50AResult:\n";
for(i=0;i<PNUM;i++){
for(j=0;j<NUM;j++){
pt[j]=dat[0][1][0][j][i];
}
d=MulVector(u,pt);
outfile<<setw(5)<<setprecision(3)<<d;
if((i+1)%8==0)outfile<<endl;
else outfile<<",";
}
outfile<<endl;
outfile.close();
return 0;
}

在这里插入图片描述在这里插入图片描述

在这里插入图片描述

慰慰
关注
MATLAB算法实战应用案例精讲-【数模应用】线性判别分析（附MATLAB、python和R语言代码实现）
qq_36130719的博客
06-25 676
线性判别分析是一种很重要的分类算法，同时也是一种降维方法（这个我还没想懂）。和 PCA 一样，LDA 也是通过投影的方式达到去除数据之间冗余的一种算法。如下图所示的 2 类数据，为了正确的分类，我们希望这 2 类数据投影之后，同类的数据尽可能的集中（距离近，有重叠），不同类的数据尽可能的分开（距离远，无重叠），左图的投影不好，因为 2 类数据投影后有重叠，而右图投影之后可以很好地进行分类，因为投影之后的 2 类数据之间几乎没有重叠，只是类内重叠得很厉害，而这正是我们想要的结果。
Fisher线性判别例子（用MATLAB实现）
03-27
利用Fisher线性判别来进行男女分类,用MATLAB实现代码，其中包含数据与文档说明！
python 实现Fisher线性判别实例
qq_40839674的博客
12-03 4820
基于Fisher准则的线性分类器设计 已知有两类数据和二者的先验概率,已知P(w1)=0.6，P(w2)=0.4。 W1和W2类数据点的对应坐标分别为： x1=0.23 1.52 0.65 0.77 1.05 1.19 0.29 0.25 0.66 0.56 0.90 0.13 -0.54 0.94 - 0.21 0.05 -0.08 0.73 0.33 1.06 -0.02 0.11 0.31 0.66 y1=2.34 2.19 1.67 1.63 1.78 2.01 2.06 2.12 2.47 1.5
线性判别分析（Fisher）
琢光的博客
01-21 3106
线性判别分析（Fisher） Fisher线性判别分析 【符号约定】： 训练数据集 T={(x1⃗,y1),(x2⃗,y2)...(xN⃗,yN)},xi⃗∈Rp,yi∈{−1,1},i=1,2,3，...，NT=\{ (\vec{x_1},y_1),(\vec{x_2},y_2)...(\vec{x_N},y_N)\},\vec{x_i}\in{R^{p}},y_i\in{\{-1,1\}},i=1,2,3，...，NT={(x1​​,y1​),(x2​​,y2​)...(xN​​,yN​)},xi​​∈
基于SPSS的Fisher线性判别分析（国赛数模2020C第二题为例）
lbwnbdedede的博客
08-10 6523
文章目录前言一、2020C题目二、选取指标1.未归一化指标2.归一化、正向化三、Fisher判别法介绍四、SPSS的使用总结 前言 学习数学建模过程中的Fisher笔记，顺便复习已经学过的模式识别，本文章将用SPSS来分析国赛数模2020C第二题，根据已有指标将给一些企业进行信用评级。笔者还是个菜鸡，如有错误欢迎指正。 **注意：**可能是因为指标选取不当或方法不适合，正确率低于50% 一、2020C题目 国赛数模2020C题目，详情见CUMCM官网 二、选取指标 1.未归一化指标 我需要根据202.
fisher判别法举例说明_Fisher线性判别式的说明性介绍
cumian8165的博客
08-01 447
fisher判别法举例说明by Thalles Silva 由Thalles Silva Fisher线性判别式的说明性介绍 (An illustrative introduction to Fisher’s Linear Discriminant) To deal with classification problems with two or more classes, most Mach...
判别分析之Fisher判别、Bayes判别、距离判别的R实现案例
最新发布
weixin_44734502的博客
03-04 6327
判别分析之Fisher判别、Bayes判别、距离判别的R实现案例
两类fisher线性判别函数c语言,模式识别期末试题
weixin_31742871的博客
05-20 1046
一、填空与选择填空(本题答案写在此试卷上，30分)1、模式识别系统的基本构成单元包括：模式采集、特征提取与选择和模式分类。2、统计模式识别中描述模式的方法一般使用特真矢量；句法模式识别中模式描述方法一般有串、树、网。3、聚类分析算法属于(1)；判别域代数界面方程法属于(3)。(1)无监督分类 (2)有监督分类(3)统计模式识别方法(4)句法模式识别方法4、若描述模式的特征量为0-1二值特征量，则一...
基于Fisher线性判别分析的手写数字识别
紫电青霜
03-04 6115
基于Fisher线性判别分析的手写数字识别<1>Fisher算法简介： 为简单起见，我们以两类问题1和2的分类来说明Fisher判别法的原理，看下面的图，为识别w1类和w2类，通过选择适当的投影方向可以比较好的分开这两类，Fisher线性判别的思想就是选择投影方向，使投影后的两类相隔尽可能的远，而同时每一类内部的样本又尽可能聚集。关键是找出那个最佳的投影方向。 我们假设w1共有N1个样本，w2共
基于Fisher判别的线性分类
丹的博客
05-07 1473
文章目录线性分类器和Fisher判别线性分类器Fisher判别例题分析Fisher判别python代码的推导代码:运行结果: 线性分类器和Fisher判别 线性分类器 在机器学习领域，分类的目标是指将具有相似特征的对象聚集。而一个线性分类器则透过特征的线性组合来做出分类决定，以达到此种目的。对象的特征通常被描述为特征值，而在向量中则描述为特征向量。 Fisher判别 在模式识别中，费雪线性判别（...
Fisher线性判别实验matlab代码
06-12
Fisher线性判别实验，.m文件，各行代码功能备注明确，有利于学习，matlab直接运行，数据更改即可用于其他类别实验分析。
距离判别法，fisher判别法PPT
07-09
距离判别法以及fisher判别法等的讲解与程序实现（matlab)
Fisher线性判别分析实验报告
12-22
模式识别里的经典，最简单的模型。 适合新手。 这份报告 也是通俗易懂~~也是曾经入门的学生写的~
fisher判别分析法
04-10
很好的fisher判别的代码，简单易懂，明确的解释了该算法的原理，对于接触该类的算法有很好的启发。
【应用多元统计分析】CH5 判别分析4——费希尔判别
m0_72318954的博客
10-30 4645
费希尔判别法介绍
多元统计分析--判别（距离判别、Fisher判别、Bayes判别）
Yeeyi_max的博客
12-25 9870
摘要 与聚类不同的是，判别分析中，已知样本分类的前提（历史分组信息），利用历史数据，将给定的新样品按照某种准则判给某类。在机器学习中，可以理解为有监督学习。 文章目录摘要目标样品到总体的马氏距离距离判别法基本思想Fisher判别法主要思想两总体Fisher判别Bayes判别法主要思想最大后验判别准则最小平均误判代价准则练习 目标 寻找一种“分类规则”即判别函数，来描述或区别多个群体的差异。 样品到总体的马氏距离 设有一总体G，其均值为μ\muμ， 其协方差为Σ=(δij)p×p\Sigma=(\delta_
Fisher线性判别分析原理解析及其Python程序实现两例
热门推荐
袁易学的博客(Yuan Yixue's Blog)
03-15 1万+
一、Fisher线性判别分析原理解析与算法描述 Fisher：1890-1962, 英国数学家，生物学家，现代统计学奠基人之一，证明了孟德尔的遗传律符合达尔文的进化论。 Fisher线性判别分析(Linear Discriminant Analysis)是一种应用较为广泛的线性分类方法，该方法于1936年由Fisher提出。Fisher线性判别分析又简称Fisher FDA。 Fisher准则的基本原理是，对于d维空间的样本，投影到一维坐标上，样本特征会混杂在一起，难以区分。如果找到一个投影方向，使得样本集
理解fisher判别分析
accumulation
02-10 1806
原理 fisher判别法是去找一个过原点的直线，这个直线要达到的效果如图： 具体实现方法： 注：这里的Sw为离差阵，也叫做协方差矩阵。 w即为这条直线的方向 直线为Y = wX 临界点y0 = (n0 * u0 + n1 * u1) / (n0 + n1) 判别时计算数据在线上的投影，将此投影与聚类的中心投影相比较得出此数据应属于哪一类。 实战 例：为了解某河段As，Pb污染状况，设在甲，乙...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值