- 博客(0)
- 资源 (10)
- 收藏
- 关注
均值聚类算法
这是模式分类中的课程代码,
其中包含所有的模式分类算法的实现实验,
程序时用matlab写的,代码质量较高,对学习模式分类 模式识别、
机器学习的同学有很重要的参考价值,
其中经典的算法有:均值聚类算法等
本实验的目的是学习和掌握k-均值聚类算法,通过对表格6 中的三维数据进行测试,进一
步加深了解。
(d) 编写程序实现k-均值聚类算法(本章中算法1)。
(e) 测试的类别数目和初始值为:c = 2, 1m (0) = (1,1,1)t , 2 m (0) = (−1,1,−1)t ,进行实验。
(f) 测试的类别数目和初始值为:c = 2, 1m (0) = (0,0,0)t , 2 m (0) = (1,1,−1)t ,进行实验。
将得到的结果与(b)中的结果进行比较,并解释差别,包含迭代次数的差别。
(g) 测试的类别数目和初始值为:c = 3, 1m (0) = (0,0,0)t , 2 m (0) = (1,1,1)t ,
3m (0) = (−1,0,2)t ,进行实验。
(h) 测试的类别数目和初始值为:c = 3, 1m (0) = (−0.1,0.0,0.1)t , 2 m (0) = (0,−0.1,0.1)t,
3 m (0) = (−0.1,−0.1,0.1)t,进行实验。将得到的结果与(d)中的结果进行比较,并解释
差别,包含迭代次数的差别。
表 6
样本 x1 x2 x3 样本 x1 x2 x3
1 -7.82 -4.58 -3.97 11 6.18 2.81 5.82
2 -6.68 3.16 2.71 12 6.72 -0.93 -4.04
3 4.36 -2.19 2.09 13 -6.25 -0.26 0.56
4 6.72 0.88 2.80 14 -6.94 -1.22 1.13
5 -8.64 3.06 3.50 15 8.09 0.20 2.25
6 -6.87 0.57 -5.45 16 6.81 0.17 -4.15
7 4.47 -2.62 5.76 17 -5.19 4.24 4.04
8 6.73 -2.01 4.18 18 -6.38 -1.74 1.43
9 -7.71 2.34 -6.33 19 4.08 1.30 5.33
10 -6.91 -0.49 -5.68 20 6.27 0.93 -2.78
2014-04-30
基于遗传算法
这是模式分类中的课程代码,
其中包含所有的模式分类算法的实现实验,
程序时用matlab写的,代码质量较高,对学习模式分类 模式识别、
机器学习的同学有很重要的参考价值,
其中经典的算法有: 遗传算法
2014-04-30
模拟退火算法
这是模式分类中的课程代码,
其中包含所有的模式分类算法的实现实验,
程序时用matlab写的,代码质量较高,对学习模式分类 模式识别、
机器学习的同学有很重要的参考价值,
其中经典的算法有: 退火算法
本实验的目的是学习和掌握随机模拟退火算法。实验中,使用的是6-单元网络,能量函数
选用课本第7 章公式(1)的形式. 已知权值矩阵如下:
0 5 3 4 4 1
5 0 1 2 3 1
3 1 0 2 2 0
4 2 2 0 3 3
4 3 2 3 0 5
1 1 0 3 5 0
w
⎛ − ⎞
⎜ − − ⎟ ⎜ ⎟
⎜ − − ⎟
=⎜ ⎟
⎜ − ⎟
⎜ − ⎟
⎜⎜ ⎟⎟ ⎝ − ⎠
通过随机模拟退火算法寻找出6-单元网络能量最小化的模型。
(a) 编写程序,实现随机模拟退火算法。并令T(1) =10,T(m+1) = cT(m),c = 0.9,进行
实验。再令T(1) = 5,T(m+1) = cT(m),c = 0.5,进行实验。
(b) 分析实验结果。
2014-04-30
神经网络算法
这是模式分类中的课程代码,
其中包含所有的模式分类算法的实现实验,
程序时用matlab写的,代码质量较高,对学习模式分类 模式识别、
机器学习的同学有很重要的参考价值,
其中经典的算法有:神经网络
本实验的目的是为了初步了解神经网络,实现一个简单的2-2-1 型的神经网络,其隐单元
和输出单元的激活函数为一S 型函数: tanh( ) j j y = a bnet ,且a =1.716,b = 2 / 3。
(a) 设 描 述 输入层到隐含层权值( , 1,2, 0,1,2) ji w j = i = 及隐含层到输出层权值
( , 1, 0,1,2) kj w k = j = 的矩阵分别为:
0.5 0.5
0.3 0.4
0.1 1.0
⎛ − ⎞
⎜ − ⎟ ⎜ ⎟
⎜ − ⎟ ⎝ ⎠
及
1.0
2.0
0.5
⎛ ⎞
⎜ − ⎟ ⎜ ⎟
⎜ ⎟
⎝ ⎠
该网络被用来根据输出信号的符号,将模式分类为两种类别中的一种。根据网络所给处的种
类将二维1 2 x x 输入空间( 1 2 −5 ≤ x , x ≤ +5)用黑色或者白色绘出。
(b) 利用下面的权值矩阵重复(a):
1.0 1.0
0.5 1.5
1.5 0.5
⎛ − ⎞
⎜ − ⎟ ⎜ ⎟
⎜ − ⎟ ⎝ ⎠
及
0.5
1.0
1.0
⎛ ⎞
⎜ − ⎟ ⎜ ⎟(c) 分析实验结果。
2014-04-30
感知器的实现
这是模式分类中的课程代码,
其中包含所有的模式分类算法的实现实验,
程序时用matlab写的,代码质量较高,对学习模式分类 模式识别、
机器学习的同学有很重要的参考价值,
其中经典的算法有:感知器的实现
本实验的目的是学习和掌握批处理感知器算法(本章的算法三)。
(a) 从a = 0开始,将拟的程序应用在表格4中1 w 和2 w 的训练数据上。记下收敛时的步骤。
(b) 将程序应用在2 w 和3 w 的训练数据上,同样记下收敛时的步骤。
(c) 分析实验结果,解释一下它们收敛步数的差别。
表格 4
1 w 2 w 3 w 4 样 w
本
1 x 2 x 1 x 2 x 1 x 2 x 1 x 2 x
1 0.1 1.1 7.1 4.2 -3.0 -2.9 -2.0 -8.4
2 6.8 7.1 -1.4 -4.3 0.54 8.7 -8.9 0.2
3 -3.5 -4.1 4.5 0.0 2.9 2.1 -4.2 -7.7
4 2.0 2.7 6.3 1.6 -0.1 5.2 -8.5 -3.2
5 4.1 2.8 4.2 1.9 -4.0 2.2 -6.7 -4.0
6 3.1 5.0 1.4 -3.2 -1.3 3.7 -0.5 -9.2
7 -0.8 -1.3 2.4 -4.0 -3.4 6.2 -5.3 -6.7
8 0.9 1.2 2.5 -6.1 -4.1 3.4 -8.7 -6.4
9 5.0 6.4 8.4 3.7 -5.1 1.6 -7.1 -9.7
10 3.9 4.0 4.1 -2.2 1.9 5.1 -8.0 -6.3
2014-04-30
Parzen 窗估计
这是模式分类中的课程代码,
其中包含所有的模式分类算法的实现实验,
程序时用matlab写的,代码质量较高,对学习模式分类 模式识别、
机器学习的同学有很重要的参考价值,
其中经典的算法有:Parzen 窗估计
本实验的目的是学习和掌握非参数估计——Parzen 窗估计。对表格3 中的数据,进行
Parzen 窗估计和设计分类器,本实验的窗函数为一个球形的高斯函数,如下:
(( ) / ) exp[ ( )t ( ) /(2 2 )]
i i i ϕ x − x h ∝ − x − x x − x h
(a) 编写程序,使用Parzen 窗估计方法对一个任意的测试样本点x 进行分类。对分类器的训练
则使用表格3中的三维数据。同时,令h =1,分类样本点为(0.5,1.0, 0.0)t,
(0.31,1.51, −0.50)t,(−0.3, 0.44, −0.1)t 进行实验。
(b) 令h = 0.1,重复(a)。
(c) 分析实验结果。
2014-04-30
最大似然参数估计
这是模式分类中的课程代码,
其中包含所有的模式分类算法的实现实验,
程序时用matlab写的,代码质量较高,对学习模式分类 模式识别、
机器学习的同学有很重要的参考价值,
其中经典的算法有:最大似然估计
对不同维数下的高斯概率密度模型,用最大似然估计方法对其参数进行估计,学习和掌握最
大似然估计方法。
(a) 编写程序,对表格2 中的类1 w 中的3 个特征i x ,分别求解最大似然估计μ
2014-04-30
贝叶斯分类器
这是模式分类中的课程代码,其中包含所有的模式分类算法的实现实验,程序时用matlab写的,代码质量较高,对学习模式分类 模式识别、机器学习的同学有很重要的参考价值,本程序实现的算法为:贝叶斯估计
编程实现一个可以对两类模式样本进行分类的贝叶斯分类器,假设两个模式类的分布均为高
斯分布。模式类1 的均值矢量m1 = (1, 3)t,协方差矩阵为S1 =(1.5, 0; 0, 1),模式类2 的
均值矢量m2 = (3,1)t,协方差矩阵为S2 =(1, 0.5; 0.5, 2),先验概率 P1 = P2 = 1/2。
(a) 利用proj01-01 中的函数为每个模式类各生成50 个随机样本,并在一幅图中画出这些样本
的二维散点图;
(b) 仅用模式集合的第1 个特征分量作为分类特征,对(a)中的100 个样本进行分类,统计正确
分类的百分比,并在2 维图上用不同的颜色画出正确分类和错分的样本;
(c) 仅用模式的第2 个特征分量作为分类特征,对(a)中的100 个样本进行分类,统计正确分类
的百分比,并在2 维图上用不同的颜色画出正确分类和错分的样本;
(d) 同时用模式的2 个分量作为分类特征,对(a)中的100 个样本进行分类,统计正确分类的百
分比,并在2 维图上用不同的颜色画出正确分类和错分的样本;
(e) 对上述实验结果进行分析说明。
2014-04-30
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人