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，上式表明，
的值
的距离
，
正比于到超平面
一个特征矢量代入判别函数后所得值的绝对值越大表明该特征点距判别界面越远。 （2）（4分）
两矢量和
的正（负）反映在超平面
的数积为
显然，当和和
夹角大于和
空间中，
夹角小于
（2分）
>0；反之，当
<0。由于
，故
的正（负）侧
时，即在指向的那个半空间中，
时，即在背向的那个半空间中，同号。所以，当在指向的半空间中时，
；当在背向的半
。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?1和类型?2分别代表农田和装甲车，它们的先验概率分别为0.8和0.2，损失函数如表1所示。现在做了三次试验，获得三个样本的类概率密度如下：
：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则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则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 ?1 1 5 1 第 5 页 共 22 页
?1 4 1 1
解：由题可知：，，，
，
（1）（4分）根据贝叶斯最小误判概率准则知：
，则可以任判；
，则判为；，则判为；
（2）（4分）由题可知：
则 ，判为；
，判为；
，判为；
已知，有
（3）（4分）对于两类问题，对于样本，假设
则对于第一个样本，
，则拒判；
，则拒判；
，拒判。
1.监督学习与非监督学习的区别：
监督学习方法用来对数据实现分类，分类规则通过训练获得。该训练集由带分类号的数据集组成，因此监督学习方法的训练过程是离线的。
非监督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行分析，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，监督学习方法则先在训练用图像中获取道路象素与非道路象素集，
第 6 页 共 22 页
进行分类器设计，然后用所设计的分类器对道路图像进行分割。
使用非监督学习方法，则依据道路路面象素与非道路象素之间的聚类分析进行聚类运算，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；
分级聚类则是将样本个体，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则：
Fisher准则：根据两类样本一般类内密集, 类间分离的特点，寻找线性分类器最佳的法线向量方向，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。
感知准则函数：准则函数以使错分类样本到分界面距离之和最小为原则。
其优点是通过错分类样本提供的信息对分类器函数进行修正，这种准则是人工神经元网络多层感知器的基础。 支持向量机：基本思想是在两类线性可分条件下，所设计的分类器界面使两类之间的间隔为最大, 它的基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”则是某一事物的具体体现，如“老头”是模式类，而王先生则是“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Σ，则Mahalanobis距离就是通常的欧氏距离。
三、 试说明用监督学习与非监督学习两种方法对道路图像中道路区域的划分的基本做法，以说明这两种学习方法
的定义与它们间的区别。
答：监督学习方法用来对数据实现分类，分类规则通过训练获得。该训练集由带分类号的数据集组成，因此监督学习方法的训练过程是离线的。
非监督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行分析，如聚类，确定其分布的主分量等。
就道路图像的分割而言，监督学习方法则先在训练用图像中获取道路象素与非道路象素集，进行分类器设计，然后用所设计的分类器对道路图像进行分割。
使用非监督学习方法，则依据道路路面象素与非道路象素之间的聚类分析进行聚类运算，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；分级聚类则是将样本个体，按相似度标准合并，随着相似度要求的降低实现合并。
第 7 页 共 22 页
五、 如果观察一个时序信号时在离散时刻序列得到的观察量序列表示为
状态序列表示成
，而该时序信号的内在
。如果计算在给定O条件下出现S的概率，试问此概率是何种概率。如果
从观察序列来估计状态序列的最大似然估计，这与Bayes决策中基于最小错误率的决策有什么关系。
答：在给定观察序列
条件下分析它由某个状态序列S产生的概率似后验概率，写成
P(S|O)，而通过O求对状态序列的最大似然估计,与贝叶斯决策的最小错误率决策相当。
六、 已知一组数据的协方差矩阵为
1． 协方差矩阵中各元素的含义。 2． 求该数组的两个主分量。
，试问
3． 主分量分析或称K-L变换，它的最佳准则是什么？ 4． 为什么说经主分量分析后，消除了各分量之间的相关性。
答：协方差矩阵为，则
1） 对角元素是各分量的方差，非对角元素是各分量之间的协方差。
2） 主分量，通过求协方差矩阵的特征值，用得，则，
相应的特征向量为：，对应特征向量为，对应。
这两个特征向量即为主分量。 3） K-L变换的最佳准则为：
对一组数据进行按一组正交基分解，在只取相同数量分量的条件下，以均方误差计算截尾误差最小。 4） 在经主分量分解后，协方差矩阵成为对角矩阵，因而各主分量间相关消除。
七、 试说明以下问题求解是基于监督学习或是非监督学习：
1. 求数据集的主分量 2. 汉字识别 3. 自组织特征映射 4. CT图像的分割
答： 1、求数据集的主分量是非监督学习方法；
八、 试列举线性分类器中最著名的三种最佳准则以及它们各自的原理。
答：线性分类器三种最优准则：
Fisher准则：根据两类样本一般类内密集, 类间分离的特点，寻找线性分类器最佳的法线向量方向，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。
第 8 页 共 22 页
2、汉字识别对待识别字符加上相应类别号——有监督学习方法；
3、自组织特征映射——将高维数组按保留近似度向低维映射——非监督学习； 4、CT图像分割——按数据自然分布聚类——非监督学习方法；
相关推荐：
loading