《模式识别试的题目及的总结》由会员分享，可在线阅读，更多相关《模式识别试的题目及的总结（22页珍藏版）》请在金锄头文库上搜索。
1、一、 填空与选择填空此题答案写在此试卷上，30分 1、模式识别系统的根本构成单元包括： 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无监视分类 (2)有监视分类 3统计模式识别方法4句法模式识别方法4、假如描述模式的特征量为0-1二值特征量，如此一般采用 4 进展相似性度量。1距离测度 2模糊测度 3相似测度 4匹配测度5、 如下函数可以作为聚类分析中的准如此函数的有 134 。 1 2 (3) (4)6、Fisher线
2、性判别函数的求解过程是将N维特征矢量投影在 2 中进展 。 1二维空间 2一维空间 3N-1维空间7、如下判别域界面方程法中只适用于线性可分情况的算法有 1 ；线性可分、不可分都适用的有 3 。 1感知器算法 2H-K算法 3积累位势函数法 8、如下四元组中满足文法定义的有 124 。1(A, B, 0, 1, A01, A0A1 , A1A0 , BBA , B 0, A) 2(A, 0, 1, A0, A0A, A) 3(S, a, b, S 00S, S 11S, S 00, S 11, S)4(A, 0, 1, A01, A0A1, A1A0, A)9、影响层次聚类算法结果的主要因素有
3、计算模式距离的测度、聚类准如此、类间距离门限、预定的类别数目。10、欧式距离具有 1、2 ；马式距离具有1、2、3、4 。 1平移不变性2旋转不变性3尺度缩放不变性4不受量纲影响的特性11、线性判别函数的正负和数值大小的几何意义是正负表示样本点位于判别界面法向量指向的正负半空间中；绝对值正比于样本点到判别界面的距离。12、感知器算法1。 1只适用于线性可分的情况；2线性可分、不可分都适用。13、积累势函数法较之于H-K算法的优点是该方法可用于非线性可分情况也可用于线性可分情况 ；位势函数K(x,xk)与积累位势函数K(x)的关系为。 14、在统计模式分类问题中，聂曼-皮尔逊判决准如此主要用于
4、某一种判决错误较另一种判决错误更为重要情况；最小最大判决准如此主要用于 先验概率未知的情况。15、“特征个数越多越有利于分类这种说法正确？错误。特征选择的主要目的是从n个特征中选出最有利于分类的的m个特征mn 的条件下，可以使用分支定界法以减少计算量。16、 散度Jij越大，说明wi类模式与wj类模式的分布差异越大；当wi类模式与wj类模式的分布一样时，Jij=0。17、 有限状态自动机Af=(，Q，d，q0，F)，=0，1；Q=q0，q1；d：d(q0，0)= q1，d(q0，1)= q1，d(q1，0)=q0，d1:a,d;2:b,c 。18、影响聚类算法结果的主要因素有。类别的样本质量；
5、分类准如此；特征选取；模式相似性测度。19、模式识别中，马式距离较之于欧式距离的优点是。 平移不变性；旋转不变性；尺度不变性；考虑了模式的分布。20、基于二次准如此函数的H-K算法较之于感知器算法的优点是。可以判别问题是否线性可分；其解完全适用于非线性可分的情况；其解的适应性更好；计算量小。21、影响根本C均值算法的主要因素有。样本输入顺序；模式相似性测度；聚类准如此；初始类心的选取。22、位势函数法的积累势函数K(x)的作用相当于Bayes判决中的。先验概率；后验概率；类概率密度；类概率密度与先验概率的乘积。23、在统计模式分类问题中，当先验概率未知时，可以使用。最小损失准如此；最小最大损失
6、准如此；最小误判概率准如此；N-P判决。24、在情况下，用分支定界法做特征选择计算量相对较少。dn,n为原特征个数，d为要选出的特征个数；样本较多；选用的可分性判据J对特征数目单调不减；选用的可分性判据J具有可加性。25、 散度JD是根据构造的可分性判据。先验概率；后验概率；类概率密度；信息熵；几何距离。26、似然函数的概型且为单峰，如此可用估计该似然函数。矩估计；最大似然估计；Bayes估计；Bayes学习；Parzen窗法。27、Kn近邻元法较之Parzen窗法的优点是。所需样本数较少；稳定性较好；分辨率较高；连续性较好。28、从分类的角度讲，用DKLT做特征提取主要利用了DKLT的性质：
7、。变换产生的新分量正交或不相关；以局部新的分量表示原矢量均方误差最小；使变换后的矢量能量更趋集中；29、一般，剪辑k-NN最近邻方法在的情况下效果较好。样本数较大；样本数较小；样本呈团状分布；样本呈链状分布。30、如果以特征向量的相关系数作为模式相似性测度，如此影响聚类算法结果的主要因素有。类别样本质量；分类准如此；特征选取；量纲。二、(15分)简答与证明题 1影响聚类结果的主要因素有那些？2证明马氏距离是平移不变的、非奇异线性变换不变的。答：1分类准如此，模式相似性测度，特征量的选择，量纲。2证明：(2分)(2分)(1分)设，有非奇异线性变换：(1分)(4分)三、(8分)说明线性判别函数的正
8、负和数值大小在分类中的意义并证明之。答：14分的绝对值正比于到超平面的距离平面的方程可以写成式中。于是是平面的单位法矢量，上式可写成 设是平面中的任一点，是特征空间中任一点，点到平面的距离为差矢量在上的投影的绝对值，即 (1-1) 上式中利用了在平面中，故满足方程 式(1-1)的分子为判别函数绝对值，上式明确，的值正比于到超平面的距离，一个特征矢量代入判别函数后所得值的绝对值越大明确该特征点距判别界面越远。 24分的正负反映在超平面的正负侧两矢量和的数积为 2分显然，当和夹角小于时，即在指向的那个半空间中，0；反之，当和夹角大于时，即在背向的那个半空间中，0。由于，故和同号。所以，当在指向的半
9、空间中时，；当在背向的半空间中，。判别函数值的正负表示出特征点位于哪个半空间中，或者换句话说，表示特征点位于界面的哪一侧。五、(12分，每问4分) 在目标识别中，假定有农田和装甲车两种类型，类型w1和类型w2：0.3，0.1，0.6 ：0.7，0.8，0.3 1试用贝叶斯最小误判概率准如此判决三个样本各属于哪一个类型；2假定只考虑前两种判决，试用贝叶斯最小风险准如此判决三个样本各属于哪一类；3把拒绝判决考虑在内，重新考核三次试验的结果。 表1类型损失判决145111解：由题可知：，14分根据贝叶斯最小误判概率准如此知：，如此可以任判；，如此判为；，如此判为；24分由题可知：如此 ，判为；，判为
10、；，判为；34分对于两类问题，对于样本，假设，有如此对于第一个样本，如此拒判；，如此拒判；，拒判。1.监视学习与非监视学习的区别：监视学习方法用来对数据实现分类，分类规如此通过训练获得。该训练集由带分类号的数据集组成，因此监视学习方法的训练过程是离线的。非监视学习方法不需要单独的离线训练过程，也没有带分类号标号的训练数据集，一般用来对数据集进展分析，如聚类，确定其分布的主分量等。实例：道路图就道路图像的分割而言，监视学习方法如此先在训练用图像中获取道路象素与非道路象素集，进展分类器设计，然后用所设计的分类器对道路图像进展分割。使用非监视学习方法，如此依据道路路面象素与非道路象素之间的聚类分析进
11、展聚类运算，以实现道路图像的分割。2.动态聚类是指对当前聚类通过迭代运算改善聚类；分级聚类如此是将样本个体，按相似度标准合并，随着相似度要求的降低实现合并。3.线性分类器三种最优准如此：Fisher准如此：根据两类样本一般类内密集, 类间别离的特点，寻找线性分类器最优的法线向量方向，使两类样本在该方向上的投影满足类内尽可能密集，类间尽可能分开。该种度量通过类内离散矩阵Sw和类间离散矩阵Sb实现。感知准如此函数：准如此函数以使错分类样本到分界面距离之和最小为原如此。其优点是通过错分类样本提供的信息对分类器函数进展修正，这种准如此是人工神经元网络多层感知器的根底。支持向量机：根本思想是在两类线性可
12、分条件下，所设计的分类器界面使两类之间的间隔为最大, 它的根本出发点是使期望泛化风险尽可能小。一、 试问“模式与“模式类的含义。如果一位姓王的先生是位老年人，试问“王先生和“老头谁是模式，谁是模式类？答：在模式识别学科中，就“模式与“模式类而言，模式类是一类事物的代表，概念或典型，而“模式如此是某一事物的具体表现，如“老头是模式类，而王先生如此是“模式，是“老头的具体化。二、 试说明Mahalanobis距离平方的定义，到某点的Mahalanobis距离平方为常数的轨迹的几何意义，它与欧氏距离的区别与联系。答：Mahalanobis距离的平方定义为：其中x，u为两个数据，是一个正定对称矩阵一般
13、为协方差矩阵。根据定义，距某一点的Mahalanobis距离相等点的轨迹是超椭球，如果是单位矩阵，如此Mahalanobis距离就是通常的欧氏距离。三、 试说明用监视学习与非监视学习两种方法对道路图像中道路区域的划分的根本做法，以说明这两种学习方法的定义与它们间的区别。答：监视学习方法用来对数据实现分类，分类规如此通过训练获得。该训练集由带分类号的数据集组成，因此监视学习方法的训练过程是离线的。非监视学习方法不需要单独的离线训练过程，也没有带分类号标号的训练数据集，一般用来对数据集进展分析，如聚类，确定其分布的主分量等。就道路图像的分割而言，监视学习方法如此先在训练用图像中获取道路象素与非道路象素集，进展分类器设计，然后用所设计的分类器对道路图像进展分割。使用非监视学习方法，如此依据道路路面象素与非道路象素之间的聚类分析进展聚类运算，以实现道路图像的分割。四、 试述动态聚类与分级聚类这两种方法的原理与不同。答：动态聚类是指对当前聚类通过迭代运算改善聚类；分级聚类如此是将样本个体，按相似度标准合并，随着相似度要求的降低实现合并。五、 如果观察一个时序信号时
