模式识别课件总顺序No8第五章NO1杨雅双071120非线性判别.ppt

该【模式识别课件总顺序No8第五章NO1杨雅双071120非线性判别 】是由【相惜】上传分享，文档一共【37】页，该文档可以免费在线阅读，需要了解更多关于【模式识别课件总顺序No8第五章NO1杨雅双071120非线性判别 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。,其确定的决策面是由假设干超平面段组成的。它的根本组成仍是超平面,在超平面段较多时,能逼近各种形状的超曲面。、分段线性判别函数及二次判别函数。整理ppt整理ppt一、基于与类心距离的分段线性判别函数根据前述可知。当类条件概率密度函数为正态分布,各特征统计独立且方差相同时,Bayes决策规那么具体为一个线性距离判别函数,特别是当时,决策规那么为:注:X到μ1的距离小于(或大于)X到μ2的距离时,μ为随机变量X的数学期望整理ppt决策面是两类期望〔“中心点〞〕连线的垂直平分面。,称最小距离分类器。将均值〔“重心〞或“中心点〞〕作为各类的代表点,用距离作为判别函数进行分类。整理ppt但是在一些情况下,当类域是非单连通的或者一个类域有假设干个模式相对密集的区域。此时,假设仍用每一类只取一个点代表就不恰当了(因为这时假设应用简单线性判别函数分类,那么结果将会有很多错分。),而应用那些样本较密集的子区的中心“联合〞代表该类。例如:,两类分布, 类都是多峰分布。方法1:假设把类的均值m1和m2作为代表类,得到分界面Ⅰ,那么错分率较高。方法2:如果每类取多个代表点,如类取两个代表点,m11,m12;类取三个代表点,m21,m22,m23。 那么得到分段线性分界面Ⅱ(其中每一段都是最小距离分类器)。整理ppt总之:如果对于类取li个代表点。也就是说,把属于类的样本区域Ri分为li个子区域,即其中Ril表示第i类的第l个子区域,用mil表示该子区域中样本的均值向量,且以此作为该子区域的代表点。那么可定义如下判别函数:假设有那么将X归到类。----分段线形距离分类器整理ppt二、分段线性判别函数1引言:前述的以每类〔或分为假设干子区域〕的均值向量作为代表点以设计最小距离分类器,在一些情况下不适用。例如。。各类样本服从正态但非等协差分布,其概率密度面为超椭球面,以Bayes决策规那么对样本X进行分类时,应为类,但假设以μi作为代表点,并按μi的欧式距离进行分类,那么类。整理ppt2将每一类分为假设干个子类,即令然后,对每一个子类定义一个线性判别函数,式中分别称为对子类的权向量和阈值权。如果定义类的线性判别函数为:那么对于c类问题,可以定义c个判别函数gi(X)(i=1,….,c),并得到决策规那么,即:整理ppt说明:①先找到具有最大判别函数值的子类〔设为gin(X)〕,那么把样本X归到子类所属的类,即类。②这样得到的决策面也是分段线性的,其决策面方程是由各子类的判别函数确定的。③如果第i类的第n个子类和第m个子类相邻,那么该段决策面方程是:整理ppt三、分段线性分类器设计的一般考虑1利用多类线性判别函数算法设计分段线性分类器 在样本的子类划分情况下,那么可把子类看作独立的类,然后利用不同方法/算法把各个子类分开。2子类数目时的分段线性判别函数 在子类数目,而不知子类划分情况下,有一种称为错误修正算法来设计分段线性分类器,其步骤如下:整理ppt