模式識別課程論文-模式識別中基于概率統(tǒng)計的bayes算法分析-文庫吧資料
2025-06-13 08:06本頁面
【正文】 S[25][25]。 附錄： /最小錯誤率 Bayes 分離器算法實現(xiàn) int Classfication::BayesLeastError() { double X[25]。 11 ( ) ( ) , , 1 , 2 , . . . ,1 Nii lj lk kls jk X x j x x j k nNi ?? ? ? ?? ? Wi類的協(xié)方差矩陣為 （ 3）計算出每一類協(xié)方差矩陣的逆矩陣 1iS? 以及協(xié)方差矩陣行列式||iS . （ 4）求出每一類的先驗概率 ( ) , 0 ,1, 2 , .. ., 9i NiP w iN?? 其中 P（ wi）為類別為數(shù)字 i 的先驗概率， Ni為數(shù)字 i 的樣品數(shù)，N為樣品總數(shù)。 11 ( 1 , 2 , . . . , ) , 0 , 1 , 2 , . . . , 9Ni TjX i X ij x i x i x in iNi ?? ? ?? Nj 代表 wi類的樣品個數(shù)， n 代表特征數(shù)目。 （ 5）將各個數(shù)帶入判別函數(shù) 111( ) ( ) ) ( ) l n ( ) l n | |22Th i X X X i S i X X i P w i S i?? ? ? ? ? ? （ 6）判別函數(shù)最大值所對應(yīng)就是手寫數(shù)字的類別。 Wi類的協(xié)方差矩陣為： （ 3）計算出每一類的協(xié)方差矩陣的逆矩陣 Si^1以及協(xié)方差矩陣的行列式 |Si|。 Xlk 代表 wi類的第 l個樣品，第 K個特征值。 Xlj代表 wi類的第 L個樣品，第 J 個特征值。 （ 1）求出每一類手寫數(shù)字樣品的均值 11 ( 1 , 2 , . . . , ) , 0 , 1 , 2 , . . . , 9Ni Tjx i x ij x i x i x in iNi ?? ? ?? Ni 代表 wi類的樣品個數(shù)， n 代表特征數(shù)目。 P(w1|X)與 P（ w2|X）是在不同條件下討論問題，不能因為 P(w1|X)P（ w2|X） ,就認(rèn)為 X 是第一類事物的可能性較大。 P(w1|X)和 P（ w2|X）與 P(X|w1)和 P（ X|w2）的區(qū)別 P(w1|X)和 P（ w2|X）是在同一條件下，比較 w1 與 w2 出現(xiàn)的概率，如 P(w1|X)P（ w2|X） ,則可能的以下結(jié)論，在 X 條件下，事件 w1出現(xiàn)的可能性比事件 w2出現(xiàn)的可能性大。由于屬于不同類的待識別對象存在著呈現(xiàn)相同的觀察值的可能，即所觀察到的某一樣品的特征向量為X，而在類中有不止一類可能呈現(xiàn)這一值，它屬于各類的概率可用 P（ wi|X）表示。單變量正態(tài)分布概率密度函數(shù)為： 其中： u 為數(shù)學(xué)期望（均值）； 為方差。正態(tài)分布 簡單，分析方便，參量少，是一種適宜的數(shù)學(xué)模型。 P（ X
畢業(yè)設(shè)計相關(guān)推薦
鄂ICP備17016276號-1