模式識(shí)別實(shí)驗(yàn)大綱

模式識(shí)別實(shí)驗(yàn)大綱一、課程基本信息課程名稱（中文）模式識(shí)別實(shí)驗(yàn)課程名稱（英文）PatternRecognition課程類型專業(yè)選修課學(xué)分3總學(xué)時(shí)50（34+16）適用對象信息與計(jì)算科學(xué)專業(yè)考核方式閉卷筆試與上機(jī)考試結(jié)合成績評(píng)定：筆試成績占60％，機(jī)試成績占20％，平時(shí)成績占20％先修課程高等代數(shù)、概率論、高級(jí)語言程序設(shè)計(jì)二、課程簡介《模式識(shí)別》實(shí)驗(yàn)的內(nèi)容覆蓋了模式識(shí)別課程的主要部分。通過實(shí)驗(yàn)可以加深學(xué)生對模式識(shí)別的基本概念、基本理論的理解。本實(shí)驗(yàn)課程的任務(wù)是讓學(xué)生利用matlab語言實(shí)現(xiàn)模式識(shí)別的各種算法，為后續(xù)課程的學(xué)習(xí)打下良好的基礎(chǔ)。三、實(shí)驗(yàn)?zāi)康闹鼐毩?xí)一些常用的模式識(shí)別技術(shù)，比如貝葉斯分類，基于KL變換的特征提取，人工神經(jīng)網(wǎng)絡(luò)模式識(shí)別，還有活動(dòng)形狀模型，遺傳算法等比較先進(jìn)的技術(shù)，為繼續(xù)深入學(xué)習(xí)或進(jìn)行科學(xué)研究打下堅(jiān)實(shí)的基礎(chǔ)。四、實(shí)驗(yàn)內(nèi)容與要求（一）貝葉斯分類實(shí)驗(yàn)1.實(shí)驗(yàn)?zāi)康模?）設(shè)計(jì)簡單的線性分類器，了解模式識(shí)別的基本方法。（2）掌握利用貝葉斯公式進(jìn)行設(shè)計(jì)分類器的方法。2.實(shí)驗(yàn)內(nèi)容和要求（1）簡單分類：有兩類樣本（如鱸魚和鮭魚），每個(gè)樣本有兩個(gè)特征（如長度和亮度），每類有若干個(gè)（比如20個(gè)）樣本點(diǎn)，假設(shè)每類樣本點(diǎn)服從二維正態(tài)分布，自己隨機(jī)給出具體數(shù)據(jù)，計(jì)算每類數(shù)據(jù)的均值點(diǎn)，并且把兩個(gè)均值點(diǎn)連成一線段，用垂直平分該線段的直線作為分類邊界。再根據(jù)該分類邊界對一隨機(jī)給出的樣本判別類別。畫出圖形。（2）貝葉斯分類：根據(jù)貝葉斯公式，給出在類條件概率密度為正態(tài)分布時(shí)具體的判別函數(shù)表達(dá)式，用此判別函數(shù)設(shè)計(jì)分類器。數(shù)據(jù)隨機(jī)生成，比如生成兩類樣本（如鱸魚和鮭魚），每個(gè)樣本有兩個(gè)特征（如長度和亮度），每類有若干個(gè)（比如20個(gè)）樣本點(diǎn)，假設(shè)每類樣本點(diǎn)服從二維正態(tài)分布，隨機(jī)生成具體數(shù)據(jù)，然后估計(jì)每類的均值與協(xié)方差，在下列各種情況下求出分類邊界。先驗(yàn)概率自己給定，比如都為0.5。如果可能，畫出在兩類協(xié)方差不相同的情況下的分類邊界。（二）KL變換實(shí)驗(yàn)1.實(shí)驗(yàn)?zāi)康模?）掌握特征提取的基本方法。（2）掌握基于KL變換的特征提取的方法。（3）培養(yǎng)學(xué)生靈活使用KL變換進(jìn)行模式識(shí)別的能力設(shè)計(jì)簡單的線性分類器，了解模式識(shí)別的基本方法。2.實(shí)驗(yàn)內(nèi)容和要求給出ORL人臉數(shù)據(jù)庫，共有400幅人臉圖像（40人，每人10幅，大小為92*112象素）。選取數(shù)據(jù)庫中的部分樣本（每個(gè)人的前5張圖片）作為訓(xùn)練樣本，其余作為未知的測試樣本。從訓(xùn)練樣本中得到KL變換矩陣，然后對訓(xùn)練樣本和測試樣本都進(jìn)行變換，用變換后的數(shù)據(jù)作最近鄰識(shí)別，距離可以為對應(yīng)灰度值之差的平方和，統(tǒng)計(jì)識(shí)別率。（三）活動(dòng)形狀模型1.實(shí)驗(yàn)?zāi)康模?）掌握利用活動(dòng)形狀模型確定物體輪廓的方法。2.實(shí)驗(yàn)內(nèi)容和要求（1）給出一圖形，利用活動(dòng)輪廓模型（ActiveContourModel）或者活動(dòng)形狀模型（ActiveShapeModel）確定該物體的輪廓。（四）線性判別函數(shù)1.實(shí)驗(yàn)?zāi)康模?）掌握感知器準(zhǔn)則（利用梯度下降法求解線性判別函數(shù)）。（2）掌握Fisher線性判別的方法。（3）理解利用最小平方誤差準(zhǔn)則建立線性分類器的方法。2.實(shí)驗(yàn)內(nèi)容和要求給出線性可分的兩類樣本如下，分別利用梯度下降法，F(xiàn)isher線性判別，最小平方誤差準(zhǔn)則求解線性判別函數(shù)，并對一個(gè)新樣本進(jìn)行分類。畫出圖形。（五）人工神經(jīng)網(wǎng)絡(luò)1.實(shí)驗(yàn)?zāi)康模?）掌握利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)擬合的方法。（2）掌握利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行分類的方法。2.實(shí)驗(yàn)內(nèi)容和要求給出兩類樣本，構(gòu)造合適的網(wǎng)路模型，用人工神經(jīng)網(wǎng)絡(luò)對未知類別的樣本(3,3)進(jìn)行分類。（六）遺傳算法1.實(shí)驗(yàn)?zāi)康模?）掌握用遺傳算法求解函數(shù)最值的方法。（2）理解遺傳算法進(jìn)行特征選擇的過程。2.實(shí)驗(yàn)內(nèi)容和要求（1）已知：f(x)=x+6*sin(5*x)+7*cos(4*x)，試用遺傳算法求解函數(shù)在[0,10]范圍內(nèi)的最小值。（2）在實(shí)驗(yàn)2中，ORL人臉數(shù)據(jù)庫，選取數(shù)據(jù)庫中每個(gè)人的前5張圖片作為訓(xùn)練樣本，其余作為未知的測試樣本。從訓(xùn)練樣本中得到KL變換矩陣，使得保留前50個(gè)特征向量。對訓(xùn)練樣本和測試樣本都進(jìn)行變換，用變換后的數(shù)據(jù)作最近鄰識(shí)別，距離可以為對應(yīng)灰度值之差的平方和，統(tǒng)計(jì)識(shí)別率。若已知代碼如“實(shí)驗(yàn)解答2_KL變換實(shí)驗(yàn)_趙建威.doc，試用遺傳算法從前50個(gè)特征向量中選擇部分最佳的特征組合，使得識(shí)別率達(dá)到最大。五、主要儀器設(shè)備計(jì)算機(jī)六、實(shí)驗(yàn)學(xué)時(shí)分配表序號(hào)實(shí)驗(yàn)項(xiàng)目名稱學(xué)時(shí)實(shí)驗(yàn)內(nèi)容實(shí)驗(yàn)性質(zhì)每組人數(shù)必/選做演示驗(yàn)證設(shè)計(jì)綜合1貝葉斯分類實(shí)驗(yàn)4貝葉斯分類實(shí)驗(yàn)√1必做2KL變換實(shí)驗(yàn)4KL變換實(shí)驗(yàn)√1必做3線性判別函數(shù)2線性判別函數(shù)√1必做4活動(dòng)形狀模型2活動(dòng)形狀模型√1必做5人工神經(jīng)網(wǎng)絡(luò)2人工神經(jīng)網(wǎng)絡(luò)√1必做6遺傳算法2遺傳算法√1必做七、考核方法上機(jī)考試為開卷考試八、教材及參