模式识别总复习
距离度量欧式距离(比较简单)马氏距离(复杂一些,重点要记住这些符号代表什么)明氏距离汉明距离角度相似性函数(余弦相似度)聚类聚类准则:阈值准则:根据规定的距离阈值进行判断。函数准则:利用聚类准则函数进行判断。聚类准则函数:最大最小距离算法动态聚类算法K-均值算法(还是有可能考的,后面再整理)ISODATA算法(迭代自组织分析算法)(不考)函数判别分...
·
距离度量
- 欧式距离(比较简单)
- 马氏距离(复杂一些,重点要记住这些符号代表什么)
- 明氏距离
- 汉明距离
- 角度相似性函数(余弦相似度)
聚类
- 聚类准则:
- 阈值准则:根据规定的距离阈值进行判断。
- 函数准则:利用聚类准则函数进行判断。
- 聚类准则函数:
- 最大最小距离算法
- 动态聚类算法
- K-均值算法(还是有可能考的,后面再整理)
- ISODATA算法(迭代自组织分析算法)(不考)
函数判别分类法
-
模式空间与超平面
- 模式空间:以n维模式向量X的n个分量为坐标变量的欧氏空间。
- 模式向量:点、有向线段。
- 线性分类:用d(X)进行分类,相当于用超平面d(X)=0把模式空间分成不同的决策区域。
- 线性判别函数的一些几何性质(复习PPT19-22页)
-
感知器算法
- 例题
- 感知器算法的解不唯一!!!
贝叶斯决策
- 最小错误率贝叶斯决策
- 最小错误率贝叶斯决策的其他等价形式
- 例题
- 最小风险贝叶斯决策
基于K-L变换的多类模式特征提取
-
特征提取的目的:
- 对一类模式:维数压缩。
- 对多类模式:维数压缩,突出类别的可分性。
-
根据类内散布矩阵确定变换矩阵
-
K-L展开式
- K-L变换有点难啊
- K-L变换具体方法:
- 利用自相关矩阵的K-L变换进行特征提取
- 使用不同散散布矩阵进行K-L变换
- 采用多类类内散布矩阵Sw进行K-L变换
- 类间散布矩阵
- 采用总体散布矩阵St作K-L变换
更多推荐
已为社区贡献8条内容
所有评论(0)