北邮信息工程模式识别实验报告
北邮信息工程模式识别实验报告
0.8514 0.4439 0.4272 0.7127 0.4129 0.7840
1.0831 0.4928 0.4353 1.0124 1.0085 0.4158
0.4164 0.5901 0.9869 0.4576 0.7676 1.0315
1.1176 1.0927 0.4841 0.8544 0.8418 0.7533
6、实验要求
1) 请把数据作为样本，根据 Fisher 选择投影方向 W 的原则，使原样本向量在 该方向上的投影能兼顾类间分布尽可能分开， 类内样本投影尽可能密集的要 求，求出评价投影方向 W 的函数，并在图形表示出来。并在实验报告中表 示出来，并求使 J F ( w) 取极大值的 w* 。用 matlab 完成 Fisher 线性分类器 的设计，程序的语句要求有注释。 2) 根据上述的结果并判断 （1， 1.5， 0.6） (1.2， 1.0， 0.55)， (2.0， 0.9， 0.68)， (1.2，1.5，0.89)， （0.23，2.33，1.43） ，属于哪个类别，并画出数据分类 相应的结果图，要求画出其在 W 上的投影。 3) 回答如下问题，分析一下 W 的比例因子对于 Fisher 判别函数没有影响的原 因。
~ m ~ )2 (m 1 2 J F (W ) ~ 2 ~ S1 S 22
1 W * SW (m1 m2 )
上面的公式是使用 Fisher 准则求最佳法线向量的解，该式比较重要。另外，该式这种
2
形式的运算， 我们称为线性变换， 其中 m1 m2 式一个向量，SW 是 SW 的逆矩阵， 如 m1 m2
*
以上讨论了线性判别函数加权向量 W 的确定方法，并讨论了使 Fisher 准则函数极大的 d 维向量 W
北邮信号与信息系统实习报告(个人版)
实习成绩:
指导教师签名：实习单位公章
年月日
北京邮电大学实习报告
实习名称
信号与信息系统认识实习
学院
信息与通信工程学院
学生姓名
曹爽
班级
2013211124
学号
2013210640
实习时间
2014年9月
实习地点
北京邮电大学主楼1121
实习内容
信源信道编码
学生
实习
总结
（600字左右）
实习之前，我对信源信道编码可以说使一无所知，凭直觉认为这应该是一种信息处理方式。在这次实习课上，我对信息的传输方式和信源信道编码方式有了进一步的了解。
最后，老师向我们介绍了WSN的分类以及今后的研究方向，包括网络、通信、嵌入式系统、信号处理等方面。我们身边每天都覆盖着网络，有无数的数据进行传输，虽然WSN的应用已经十分广泛，但任何一项技术都是在日臻成熟中，WSN也有一些缺陷有待克服，比如不少结点仍然解决不了耗能大的问题，这也说明WSN技术还有很大的发展空间。作为第一次实习，老师的讲解让我对信息工程专业有了更多的认识，对本专业产生了更多学习的兴趣。
计算机网络是将具有独立功能的多台主机及终端设备，通过通信线路进行连接，在通信协议协调下，实现资源共享和信息传递的完整系统。按网络规模和覆盖需要，可分为广域网（WAN）、局域网（LAN）、城域网（MAN）；按传输介质，可分为有线网络和无线网络。其中，无线网络可以通过无线电、微波、红外线等介质传输信息。通过老师的介绍，我还了解到无线网络是按照网络所采用的技术与协议分类的，而不是单纯地按照其覆盖范围。无线网络主要分为无线个人网（WPAN）、无线局域网（WLAN）、无线城域网（WMAN）、无线广域网（WWAN）。不同的网络有不同的用途，比如蓝牙技术使用的是WPAN，而宽带技术则需要使用WLAN。
北邮 郭军_模式识别实验室介绍
网络搜索
搜索引擎相关技术研究
–网络信息获取（爬虫技术） 网络信息获取（爬虫技术） 网络信息获取 –内容抽取 内容抽取 –索引构建 索引构建 –查询扩展、查询反馈机制 查询扩展、 查询扩展
文本过滤系统相关技术
–邮件过滤系统 邮件过滤系统 –短信过滤系统 短信过滤系统 –基于文本标记音视频内容过滤与检索 基于文本标记音视频内容过滤与检索
北邮模式识别实验室 介绍
内
容
发展历程 人员情况 研究方向 项目情况 科研成果
发展历程
1998年依托信号与信息处理国家重点学科以及模式识别 与智能系统信息产业部重点学科创建 2003年得到教育部留学生实验室建设项目支持 2004年得到”211工程”实验室建设资金支持
人员情况
目前，实验室成员共107人 实验室主任: 郭军教授，博导，信通院院长 教授2人 副教授6人 讲师7人 在读博士12人 在读硕士80人
自然语言理解相关技术的研究
网络管理
数据挖掘 故障关联 基于模式识别的网络数据管理与控制
2000年以来已完成的项目
国家863项目“银行票据OCR系统中的成套关键技术” 国家863项目“银行票据OCR系统中的成套关键技术” 863项目 OCR系统中的成套关键技术 国家自然科学基金项目“ 国家自然科学基金项目“网络图像文档过滤中的若干关键问 题研究” 题研究” 与山东中创软件公司合作项目“金融票据识别系统” 与山东中创软件公司合作项目“金融票据识别系统” 教育部重点项目“票据图像处理与识别中的基本算法” 教育部重点项目“票据图像处理与识别中的基本算法” 网通研究院项目“中国网通集团公司3G网络管理系统中的 网通研究院项目“中国网通集团公司3G网络管理系统中的 3G 数据接口” 数据接口”
北邮信号与信息系统实习报告
北邮信号与信息系统实习报告一、实习背景作为北邮信号与信息系统专业的学生，为了更好地掌握实际工作的技能和流程，我选择了去科技公司进行实习。
在这次实习中，我所在团队主要从事软件开发和维护工作，接触到了各种实际问题，并通过与团队的合作不断提升自己的技能。
二、实习内容1.软件需求分析与设计：在实习的第一个月，我们团队接到一个新的项目，我负责对项目需求进行分析和设计。
这个项目需要开发一个移动端的应用程序，用于用户查询和管理个人信息。
我与团队成员一起进行了需求讨论，然后根据需求编写了相应的需求规格文档和软件架构设计文档。
这个过程让我了解了软件开发的全过程，从需求分析到架构设计的各个环节。
2. 软件开发与测试：在需求分析和设计完成后，我开始参与软件的具体开发工作。
我们团队采用了敏捷开发的模式，每个人负责不同的模块开发。
我负责实现用户登录和注册模块，并参与了其他模块的开发和测试工作。
在这个过程中，我熟悉了使用各种开发工具和技术，如Android开发平台、Java编程语言等，并学会了编写规范的代码和进行测试。
3. 软件维护与优化：在软件开发完成后，我们团队需要对软件进行维护和优化。
我参与了对现有系统的功能完善和bug修复工作，并研究了一些新的技术来提升系统的性能和稳定性。
通过这个阶段的实习，我对软件的维护和优化有了更深入的了解，并学会了如何利用新技术来改进现有系统。
三、实习收获通过这次实习，我不仅学到了很多实际工作中的知识和技能，还提升了自己的解决问题和团队合作能力。
具体来说，我收获如下：1.学会了需求分析和设计的方法和技巧，能够将抽象的需求转化为具体的设计方案。
2.熟悉了软件开发的全过程，包括开发、测试、维护等各个环节，了解了软件工程的基本原理。
3.提高了与团队成员合作的能力，学会了如何有效地与他人进行沟通和协作。
4.增强了问题解决能力，学会了分析和解决实际问题的方法。
5.增强了对软件开发的兴趣和热情，对自己的专业方向更加明确。
《模式识别》实验报告-贝叶斯分类
《模式识别》实验报告-贝叶斯分类一、实验目的通过使用贝叶斯分类算法，实现对数据集中的样本进行分类的准确率评估，熟悉并掌握贝叶斯分类算法的实现过程，以及对结果的解释。
二、实验原理1.先验概率先验概率指在不考虑其他变量的情况下，某个事件的概率分布。
在贝叶斯分类中，需要先知道每个类别的先验概率，例如：A类占总样本的40%，B类占总样本的60%。
2.条件概率后验概率指在已知先验概率和条件概率下，某个事件发生的概率分布。
在贝叶斯分类中，需要计算每个样本在各特征值下的后验概率，即属于某个类别的概率。
4.贝叶斯公式贝叶斯公式就是计算后验概率的公式，它是由条件概率和先验概率推导而来的。
5.贝叶斯分类器贝叶斯分类器是一种基于贝叶斯定理实现的分类器，可以用于在多个类别的情况下分类，是一种常用的分类方法。
具体实现过程为：首先，使用训练数据计算各个类别的先验概率和各特征值下的条件概率。
然后，将测试数据的各特征值代入条件概率公式中，计算出各个类别的后验概率。
最后，取后验概率最大的类别作为测试数据的分类结果。
三、实验步骤1.数据集准备本次实验使用的是Iris数据集，数据包含150个Iris鸢尾花的样本，分为三个类别：Setosa、Versicolour和Virginica，每个样本有四个特征值：花萼长度、花萼宽度、花瓣长度、花瓣宽度。
2.数据集划分将数据集按7:3的比例分为训练集和测试集，其中训练集共105个样本，测试集共45个样本。
计算三个类别的先验概率，即Setosa、Versicolour和Virginica类别在训练集中出现的频率。
对于每个特征值，根据训练集中每个类别所占的样本数量，计算每个类别在该特征值下出现的频率，作为条件概率。
5.测试数据分类将测试集中的每个样本的四个特征值代入条件概率公式中，计算出各个类别的后验概率，最后将后验概率最大的类别作为该测试样本的分类结果。
6.分类结果评估将测试集分类结果与实际类别进行比较，计算分类准确率和混淆矩阵。
模式识别实习报告
一、贝叶斯估计做分类【问题描述】实习题目一：用贝叶斯估计做分类。
问题描述：给出试验区裸土加水田的tif图像，要求通过贝叶斯估计算法对房屋、水田及植被进行分类。
问题分析：首先通过目视解译法对图像进行分类，获取裸土、水田和植被的DN值，在此基础上，通过该部分各个类别的面积计算先验概率，然后带入公式进行计算，从而对整个图像进行分类。
【模型方法】与分布有关的统计分类方法主要有最大似然/ 贝叶斯分类。
最大似然分类是图像处理中最常用的一种监督分类方法,它利用了遥感数据的统计特征,假定各类的分布函数为正态分布,在多变量空间中形成椭圆或椭球分布,也就是和中个方向上散布情况不同,按正态分布规律用最大似然判别规则进行判决,得到较高准确率的分类结果。
否则,用平行六面体或最小距离分类效果会更好。
【方案设计】①确定需要分类的地区和使用的波段和特征分类数,检查所用各波段或特征分量是否相互已经位置配准；②根据已掌握的典型地区的地面情况,在图像上选择训练区；③计算参数,根据选出的各类训练区的图像数据,计算和确定先验概率；④分类,将训练区以外的图像像元逐个逐类代入公式,对于每个像元,分几类就计算几次,最后比较大小,选择最大值得出类别；⑤产生分类图,给每一类别规定一个值,如果分10 类,就定每一类分别为1 ,2 ……10 ,分类后的像元值便用类别值代替,最后得到的分类图像就是专题图像. 由于最大灰阶值等于类别数,在监视器上显示时需要给各类加上不同的彩色；⑥检验结果,如果分类中错误较多,需要重新选择训练区再作以上各步,直到结果满意为止。
【结果讨论】如图所示，通过贝叶斯算法，较好地对图像完成了分类，裸土、植被和水田三个类别清晰地判别出来。
在计算先验概率时，选择何种数据成为困扰我的一个问题。
既有ENVI自身提供的精确的先验概率值，也可以自己通过计算各个类别的面积，从而获取大致的先验概率值。
最后，在田老师的讲解下，我知道了虽然数据可能不太精确，但是，计算先验概率时，总体的倾向是一致的，所以在最后判别时，因此而引起的误差是微乎其微的，所以，一定要弄清楚算法原理，才能让自己的每一步工作都有理可循。
模式识别方法二实验报告
《模式识别》大作业人脸识别方法二---- 基于PCA 和FLD 的人脸识别的几何分类器（修改稿）一、 理论知识1、fisher 概念引出在应用统计方法解决模式识别问题时，为了解决“维数灾难”的问题，压缩特征空间的维数非常必要。
fisher 方法实际上涉及到维数压缩的问题。
fisher 分类器是一种几何分类器, 包括线性分类器和非线性分类器。
线性分类器有：感知器算法、增量校正算法、LMSE 分类算法、Fisher 分类。
若把多维特征空间的点投影到一条直线上，就能把特征空间压缩成一维。
那么关键就是找到这条直线的方向，找得好，分得好，找不好，就混在一起。
因此fisher 方法目标就是找到这个最好的直线方向以及如何实现向最好方向投影的变换。
这个投影变换恰是我们所寻求的解向量*W ，这是fisher 算法的基本问题。
样品训练集以及待测样品的特征数目为n 。
为了找到最佳投影方向，需要计算出各类均值、样品类内离散度矩阵i S 和总类间离散度矩阵w S 、样品类间离散度矩阵b S ，根据Fisher 准则，找到最佳投影准则，将训练集内所有样品进行投影，投影到一维Y 空间，由于Y 空间是一维的，则需要求出Y 空间的划分边界点，找到边界点后，就可以对待测样品进行进行一维Y 空间的投影，判断它的投影点与分界点的关系，将其归类。
Fisher 法的核心为二字：投影。
二、 实现方法1、 一维实现方法(1) 计算给类样品均值向量i m ，i m 是各个类的均值，i N 是i ω类的样品个数。
11,2,...,ii X im X i nN ω∈==∑(2) 计算样品类内离散度矩阵iS 和总类间离散度矩阵wS1()()1,2,...,i Ti i i X w ii S X m X m i nS Sω∈==--==∑∑(3) 计算样品类间离散度矩阵b S1212()()Tb S m m m m =--(4) 求向量*W我们希望投影后，在一维Y 空间各类样品尽可能地分开，也就是说我们希望两类样品均值之差（12m m -）越大越好，同时希望各类样品内部尽量密集，即希望类内离散度越小越好，因此，我们可以定义Fisher 准则函数：()Tb F Tw W S W J W W S W=使得()F J W 取得最大值的*W 为 *112()w WS m m -=-(5) 将训练集内所有样品进行投影*()Ty W X =(6) 计算在投影空间上的分割阈值0y在一维Y 空间，各类样品均值i m为 11,2,...,ii y imy i n N ω∈==∑样品类内离散度矩阵2i s和总类间离散度矩阵w s 22()ii iy sy mω∈=-∑21w ii ss==∑【注】【阈值0y 的选取可以由不同的方案： 较常见的一种是1122012N m N m y N N +=+另一种是121201ln(()/())22m m P P y N N ωω+=++- 】(7) 对于给定的X ，计算出它在*W 上的投影y (8) 根据决策规则分类0102y y X y y X ωω>⇒∈⎧⎨<⇒∈⎩2、程序中算法的应用Fisher 线性判别方法（FLD ）是在Fisher 鉴别准则函数取极值的情况下，求得一个最佳判别方向，然后从高位特征向量投影到该最佳鉴别方向，构成一个一维的判别特征空间将Fisher 线性判别推广到C-1个判决函数下，即从N 维空间向C-1维空间作相应的投影。
模式识别实验报告
模式识别实验报告关键信息项：1、实验目的2、实验方法3、实验数据4、实验结果5、结果分析6、误差分析7、改进措施8、结论1、实验目的11 阐述进行模式识别实验的总体目标和期望达成的结果。
111 明确实验旨在解决的具体问题或挑战。
112 说明实验对于相关领域研究或实际应用的意义。
2、实验方法21 描述所采用的模式识别算法和技术。
211 解释选择这些方法的原因和依据。
212 详细说明实验的设计和流程，包括数据采集、预处理、特征提取、模型训练和测试等环节。
3、实验数据31 介绍实验所使用的数据来源和类型。
311 说明数据的规模和特征。
312 阐述对数据进行的预处理操作，如清洗、归一化等。
4、实验结果41 呈现实验得到的主要结果，包括准确率、召回率、F1 值等性能指标。
411 展示模型在不同数据集或测试条件下的表现。
412 提供可视化的结果，如图表、图像等，以便更直观地理解实验效果。
5、结果分析51 对实验结果进行深入分析和讨论。
511 比较不同实验条件下的结果差异，并解释其原因。
512 分析模型的优点和局限性，探讨可能的改进方向。
6、误差分析61 研究实验中出现的误差和错误分类情况。
611 分析误差产生的原因，如数据噪声、特征不充分、模型复杂度不足等。
612 提出减少误差的方法和建议。
7、改进措施71 根据实验结果和分析，提出针对模型和实验方法的改进措施。
711 描述如何优化特征提取、调整模型参数、增加训练数据等。
712 预测改进后的可能效果和潜在影响。
8、结论81 总结实验的主要发现和成果。
811 强调实验对于模式识别领域的贡献和价值。
812 对未来的研究方向和进一步工作提出展望。
在整个实验报告协议中，应确保各项内容的准确性、完整性和逻辑性，以便为模式识别研究提供有价值的参考和借鉴。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
3、实验条件
matlab 软件
4、实验原理
线性判别函数的一般形式可表示成
g ( X ) W T X w0 其中 x1 X x d w1 w2 W w d
根据 Fisher 选择投影方向 W 的原则，即使原样本向量在该方向上的投影能兼顾类间分 布尽可能分开，类内样本投影尽可能密集的要求，用以评价投影方向 W 的函数为：
1.6365 1.5118 2.3939 1.6991 1.7987 2.1614
1.7844 1.9692 1.5648 2.4883 2.0828 1.9235
2.0155 1.8340 1.9329 1.7259 2.0798 2.2604
0.5338 0.6071 1.0072 1.0299 0.7705 0.9751
1.1974 0.1333 0.7315 0.6655 0.5152 -0.2099
2.3385 2.0681 1.8704 2.2027 2.0466 1.9449 z =
2.1946 2.1213 2.2948 2.4568 2.0226 2.3801
1.6730 2.4797 1.7714 1.7523 2.3757 2.2373
1 1 是 d 维， SW 和 SW 都是 d×d 维，得到的 W * 也是一个 d 维的向量。
向量 W 就是使 Fisher 准则函数 J F (W ) 达极大值的解， 也就是按 Fisher 准则将 d 维 X
*
空间投影到一维 Y 空间的最佳投影方向，该向量 W 的各分量值是对原 d 维特征向量求加权 和的权值。
6、实验要求
1) 请把数据作为样本，根据 Fisher 选择投影方向 W 的原则，使原样本向量在 该方向上的投影能兼顾类间分布尽可能分开， 类内样本投影尽可能密集的要 求，求出评价投影方向 W 的函数，并在图形表示出来。并在实验报告中表 示出来，并求使 J F ( w) 取极大值的 w* 。用 matlab 完成 Fisher 线性分类器 的设计，程序的语句要求有注释。 2) 根据上述的结果并判断 （1， 1.5， 0.6） (1.2， 1.0， 0.55)， (2.0， 0.9， 0.68)， (1.2，1.5，0.89)， （0.23，2.33，1.43） ，属于哪个类别，并画出数据分类 相应的结果图，要求画出其在 W 上的投影。 3) 回答如下问题，分析一下 W 的比例因子对于 Fisher 判别函数没有影响的原 因。
0.9611 1.0678 1.2942 0.5592 1.1029 0.5503
0.9154 0.8050 1.3744 0.5150 1.2680 1.4708
1.4901 1.2889 0.9387 0.9983 0.7140 1.1435
0.8200 1.4601 1.2266 0.9120 1.2446 0.7679
0.6708 1.4943 0.9398 0.8400 0.8142 0.8651
0.8932 1.0915 0.6197 0.5381 0.9586 1.3699
1.4342 0.7644 0.6603 1.3729 0.7379 1.1458
数据的样本点分布如下图：
5
2 1.5 1 0.5 0 2.5 2 1.5 1 0.5 -2 -1 0 1 2 3
0.9399 1.4334 1.1833 0.7126 1.3392 1.1288
0.6210 0.9508 1.2159 1.3928 0.7731 0.7548
1.3656 0.7324 1.3049 1.4084 0.7319 0.7393
0.5498 0.5784 1.1408 0.6909 1.3439 0.6739
0.5536 1.0756 1.0992 1.1275 0.8784 0.9548
2 数据点的对应的三维坐标为
4
x2 =
1.4010 1.7632 1.2500 1.3322 2.9313 2.0353
1.2301 1.9739 1.2864 1.1466 1.8349 2.6030
2.0814 2.4152 1.2614 1.7087 1.8340 1.2327
0.8514 0.4439 0.4272 0.7127 0.4129 0.7840
1.0831 0.4928 0.4353 1.0124 1.0085 0.4158
0.4164 0.5901 0.9869 0.4576 0.7676 1.0315
1.1176 1.0927 0.4841 0.8544 0.8418 0.7533
使用 Fisher 准则方法确定最佳线性分界面的方法是一个著名的方法，尽管提出该方法 的时间比较早，仍见有人使用。
5、实验内容
已知有两类数据 1 和 2 二者的概率已知 p( )1 =0.6， p的坐标对应一一如下：
数据： x =
0.2331 0.2908 -0.5431 0.3345 0.5838 0.7226 y =
1
实验二 基于 Fisher 准则线性分类器设计
1、实验类型
设计型：线性分类器设计（Fisher 准则）
2、实验目的
本实验旨在让同学进一步了解分类器的设计概念， 能够根据自己的设计对线性分类器有 更深刻地认识， 理解 Fisher 准则方法确定最佳线性分界面方法的原理， 以及 Lagrande 乘子 求解的原理。
~ m ~ )2 (m 1 2 J F (W ) ~ 2 ~ S1 S 22
1 W * SW (m1 m2 )
上面的公式是使用 Fisher 准则求最佳法线向量的解，该式比较重要。另外，该式这种
2
形式的运算， 我们称为线性变换， 其中 m1 m2 式一个向量，SW 是 SW 的逆矩阵， 如 m1 m2
1.1655 2.5890 2.0071 1.5920 2.5096 2.1465
1.3740 2.8472 2.1831 2.9353 2.7198 1.5673
1.1829 1.9539 1.7909 1.4664 2.3148 2.9414
y2 =
1.0298 1.1405 0.7091 0.8798 1.2833 1.1808 z2 =
6
7、m 文件程序
function fisher %w1 中数据点的坐标 x1 =[0.2331 1.5207 0.6499 0.7757 1.0524 1.1974 0.2908 0.2518 0.6682 0.5622 0.9023 0.1333 -0.5431 0.9407 -0.2126 0.0507 -0.0810 0.7315 0.3345 1.0650 -0.0247 0.1043 0.3122 0.6655 0.5838 1.1653 1.2653 0.8137 -0.3399 0.5152 0.7226 -0.2015 0.4070 -0.1717 -1.0573 -0.2099]; x2 =[2.3385 2.1946 1.6730 1.6365 1.7844 2.0155 2.0681 2.1213 2.4797 1.5118 1.9692 1.8340 1.8704 2.2948 1.7714 2.3939 1.5648 1.9329 2.2027 2.4568 1.7523 1.6991 2.4883 1.7259 2.0466 2.0226 2.3757 1.7987 2.0828 2.0798 1.9449 2.3801 2.2373 2.1614 1.9235 2.2604]; x3 =[0.5338 0.8514 1.0831 0.4164 1.1176 0.5536 0.6071 0.4439 0.4928 0.5901 1.0927 1.0756 1.0072 0.4272 0.4353 0.9869 0.4841 1.0992 1.0299 0.7127 1.0124 0.4576 0.8544 1.1275 0.7705 0.4129 1.0085 0.7676 0.8418 0.8784 0.9751 0.7840 0.4158 1.0315 0.7533 0.9548]; %将 x1、x2、x3 变为行向量 x1=x1(:); x2=x2(:); x3=x3(:); %计算第一类的样本均值向量 m1 m1(1)=mean(x1); m1(2)=mean(x2); m1(3)=mean(x3); %计算第一类样本类内离散度矩阵 S1 S1=zeros(3,3); for i=1:36 S1=S1+[-m1(1)+x1(i) -m1(2)+x2(i) -m1(3)+x3(i)]'*[-m1(1)+x1(i) -m1(2)+x2(i) -m1(3)+x3(i)]; end %w2 的数据点坐标 x4 =[1.4010 1.2301 2.0814 1.1655 1.3740 1.1829 1.7632 1.9739 2.4152 2.5890 2.8472 1.9539 1.2500 1.2864 1.2614 2.0071 2.1831 1.7909 1.3322 1.1466 1.7087 1.5920 2.9353 1.4664 2.9313 1.8349 1.8340 2.5096 2.7198 2.3148 2.0353 2.6030 1.2327 2.1465 1.5673 2.9414];
*
以上讨论了线性判别函数加权向量 W 的确定方法，并讨论了使 Fisher 准则函数极大的 d 维向量 W
*
的计算方法，但是判别函数中的另一项 W0 尚未确定，一般可采用以下几种方
法确定 W0 如
W0
~ m ~ m 1 2 2
或者
W0
~ N m ~ N1m ~ 1 2 2 m N1 N 2