模式识别实验报告
实验一模式识别范文
实验一模式识别范文
模式识别是计算机科学领域一个研究内容，它的目的是识别永久存在
的模式，以实现有效的数据处理和决策。
它主要集中在分类机制和分类算
法上，并且对特征结构及分类的准确性进行测试以应用到实际需求中。
模式识别是处理大量信息的基础，是一些新的有用信息与其他类别信
息区分的过程。
它可以建模出特殊情况，并有效的对这些类别判断准确性。
模式识别也可以改善监督学习、无监督学习、半监督学习的模式学习和其
他机器学习中的性能。
模式识别有各种应用，比如计算机视觉、声音识别、语言识别、手写
识别、面部识别、自然语言处理等，它们都是基于模式识别技术实现的。
模式识别技术可以大大提升机器人的视觉系统，以实现更准确和更快速的
行为。
在安全管理、公共交通、智能制造和生物医学等领域中，模式识别
技术也有广泛的应用。
模式识别也有其缺点，比如分类算法的运算速度容易延迟，特征选取
也有可能不太准确。
因此要正确使用模式识别，需要为特征选取和算法进
行合理的优化，以保证正确的识别结果。
总之，模式识别是一项广泛应用的技术，它可以提高机器学习的精确度，在计算机视觉等各个领域中有着广泛的应用。
《模式识别》实验报告-贝叶斯分类
《模式识别》实验报告---最小错误率贝叶斯决策分类一、实验原理对于具有多个特征参数的样本（如本实验的iris 数据样本有4d =个参数），其正态分布的概率密度函数可定义为112211()exp ()()2(2)T d p π-⎧⎫=--∑-⎨⎬⎩⎭∑x x μx μ 式中，12,,,d x x x ⎡⎤⎣⎦=x 是d 维行向量，12,,,d μμμ⎡⎤⎣⎦=μ是d 维行向量，∑是d d ⨯维协方差矩阵，1-∑是∑的逆矩阵，∑是∑的行列式。
本实验我们采用最小错误率的贝叶斯决策，使用如下的函数作为判别函数()(|)(),1,2,3i i i g p P i ωω==x x （3个类别）其中()i P ω为类别i ω发生的先验概率，(|)i p ωx 为类别i ω的类条件概率密度函数。
由其判决规则，如果使()()i j g g >x x 对一切j i ≠成立，则将x 归为i ω类。
我们根据假设：类别i ω，i=1,2,……,N 的类条件概率密度函数(|)i p ωx ，i=1,2,……,N 服从正态分布，即有(|)i p ωx ~(,)i i N ∑μ，那么上式就可以写为1122()1()exp ()(),1,2,32(2)T i i dP g i ωπ-⎧⎫=-∑=⎨⎬⎩⎭∑x x -μx -μ对上式右端取对数，可得111()()()ln ()ln ln(2)222T i i i i dg P ωπ-=-∑+-∑-i i x x -μx -μ上式中的第二项与样本所属类别无关，将其从判别函数中消去，不会改变分类结果。
则判别函数()i g x 可简化为以下形式111()()()ln ()ln 22T i i i i g P ω-=-∑+-∑i i x x -μx -μ二、实验步骤（1）从Iris.txt 文件中读取估计参数用的样本，每一类样本抽出前40个，分别求其均值，公式如下11,2,3ii iii N ωωω∈==∑x μxclear% 原始数据导入iris = load('C:\MATLAB7\work\模式识别\iris.txt'); N=40;%每组取N=40个样本%求第一类样本均值 for i = 1:N for j = 1:4w1(i,j) = iris(i,j+1); end endsumx1 = sum(w1,1); for i=1:4meanx1(1,i)=sumx1(1,i)/N; end%求第二类样本均值 for i = 1:N for j = 1:4 w2(i,j) = iris(i+50,j+1);end endsumx2 = sum(w2,1); for i=1:4meanx2(1,i)=sumx2(1,i)/N; end%求第三类样本均值 for i = 1:N for j = 1:4w3(i,j) = iris(i+100,j+1); end endsumx3 = sum(w3,1); for i=1:4meanx3(1,i)=sumx3(1,i)/N; end（2）求每一类样本的协方差矩阵、逆矩阵1i -∑以及协方差矩阵的行列式i ∑， 协方差矩阵计算公式如下11()(),1,2,3,41i ii N i jklj j lk k l i x x j k N ωωσμμ==--=-∑其中lj x 代表i ω类的第l 个样本，第j 个特征值；ij ωμ代表i ω类的i N 个样品第j 个特征的平均值lk x 代表i ω类的第l 个样品，第k 个特征值；iw k μ代表i ω类的i N 个样品第k 个特征的平均值。
模式识别专业实践报告(2篇)
第1篇一、实践背景与目的随着信息技术的飞速发展，模式识别技术在各个领域得到了广泛应用。
作为人工智能领域的一个重要分支，模式识别技术对于图像处理、语音识别、生物识别等领域的发展具有重要意义。
为了更好地理解和掌握模式识别技术，提高实际应用能力，我们组织了一次为期一个月的模式识别专业实践。
本次实践旨在通过实际操作，加深对模式识别理论知识的理解，提高解决实际问题的能力。
二、实践内容与过程1. 实践内容本次实践主要包括以下几个方面：（1）图像识别：利用深度学习算法进行图像分类、目标检测等。
（2）语音识别：实现语音信号处理、特征提取和识别。
（3）生物识别：研究指纹识别、人脸识别等生物特征识别技术。
（4）模式分类：运用机器学习算法进行数据分类和聚类。
2. 实践过程（1）理论学习：在实践开始前，我们首先对模式识别的基本理论进行了系统学习，包括图像处理、信号处理、机器学习等相关知识。
（2）项目准备：根据实践内容，我们选取了具有代表性的项目进行实践，如基于深度学习的图像识别、基于HMM的语音识别等。
（3）实验设计与实施：在导师的指导下，我们设计了实验方案，包括数据预处理、模型选择、参数调整等。
随后，我们使用Python、C++等编程语言进行实验编程，并对实验结果进行分析。
（4）问题分析与解决：在实验过程中，我们遇到了许多问题，如数据不足、模型效果不佳等。
通过查阅文献、请教导师和团队成员，我们逐步解决了这些问题。
三、实践成果与分析1. 图像识别我们使用卷积神经网络（CNN）对CIFAR-10数据集进行了图像分类实验。
实验结果表明，经过多次迭代优化，模型在测试集上的准确率达到89.5%，优于传统机器学习方法。
2. 语音识别我们采用HMM（隐马尔可夫模型）对TIMIT语音数据集进行了语音识别实验。
实验结果表明，经过特征提取和模型训练，模型在测试集上的词错误率（WER）为16.3%，达到了较好的识别效果。
3. 生物识别我们研究了指纹识别和人脸识别技术。
模式识别实习报告
一、实习背景随着科技的飞速发展，人工智能、机器学习等技术在各个领域得到了广泛应用。
模式识别作为人工智能的一个重要分支，具有广泛的应用前景。
为了更好地了解模式识别技术，提高自己的实践能力，我在2023年暑假期间参加了某科技有限公司的模式识别实习。
二、实习单位简介某科技有限公司是一家专注于人工智能、大数据、云计算等领域的科技创新型企业。
公司致力于为客户提供智能化的解决方案，业务涵盖智能识别、智能监控、智能分析等多个领域。
此次实习，我将在该公司模式识别部门进行实践学习。
三、实习内容1. 实习前期（1）了解模式识别的基本概念、原理和应用领域；（2）熟悉模式识别的相关算法，如神经网络、支持向量机、决策树等；（3）掌握Python编程语言，学会使用TensorFlow、Keras等深度学习框架。
2. 实习中期（1）参与实际项目，负责模式识别算法的设计与实现；（2）与团队成员协作，完成项目需求分析、算法优化和系统测试；（3）撰写项目报告，总结实习过程中的收获与不足。
3. 实习后期（1）总结实习期间的学习成果，撰写实习报告；（2）针对实习过程中遇到的问题，查找资料、请教同事，提高自己的解决问题的能力；（3）为后续实习工作做好充分准备。
四、实习收获与体会1. 理论与实践相结合通过实习，我深刻体会到理论与实践相结合的重要性。
在实习过程中，我将所学的模式识别理论知识运用到实际项目中，提高了自己的动手能力。
同时，通过解决实际问题，我更加深入地理解了模式识别算法的原理和应用。
2. 团队协作能力实习期间，我学会了与团队成员有效沟通、协作。
在项目中，我们共同面对挑战，分工合作，共同完成项目任务。
这使我认识到团队协作的重要性，为今后的工作打下了基础。
3. 解决问题的能力在实习过程中，我遇到了许多问题。
通过查阅资料、请教同事、独立思考等方式，我逐渐学会了如何分析问题、解决问题。
这种能力对我今后的学习和工作具有重要意义。
4. 深度学习框架的使用实习期间，我学会了使用TensorFlow、Keras等深度学习框架。
模式识别实习报告
实习报告一、实习背景及目的随着科技的飞速发展，模式识别技术在众多领域发挥着越来越重要的作用。
模式识别是指对数据进行分类、识别和解释的过程，其应用范围广泛，包括图像处理、语音识别、机器学习等。
为了更好地了解模式识别技术的原理及其在实际应用中的重要性，我参加了本次模式识别实习。
本次实习的主要目的是：1. 学习模式识别的基本原理和方法；2. 掌握模式识别技术在实际应用中的技巧；3. 提高自己的动手实践能力和团队协作能力。
二、实习内容及过程实习期间，我们团队共完成了四个模式识别项目，分别为：手写数字识别、图像分类、语音识别和机器学习。
下面我将分别介绍这四个项目的具体内容和过程。
1. 手写数字识别：手写数字识别是模式识别领域的一个经典项目。
我们使用了MNIST数据集，这是一个包含大量手写数字图片的数据集。
首先，我们对数据集进行预处理，包括归一化、数据清洗等。
然后，我们采用卷积神经网络（CNN）作为模型进行训练，并使用交叉验证法对模型进行评估。
最终，我们得到了一个识别准确率较高的模型。
2. 图像分类：图像分类是模式识别领域的另一个重要应用。
我们选择了CIFAR-10数据集，这是一个包含大量彩色图像的数据集。
与手写数字识别项目类似，我们先对数据集进行预处理，然后采用CNN进行训练。
在模型训练过程中，我们尝试了不同的优化算法和网络结构，以提高模型的性能。
最终，我们得到了一个识别准确率较高的模型。
3. 语音识别：语音识别是模式识别领域的又一项挑战。
我们使用了TIMIT数据集，这是一个包含大量语音样本的数据集。
首先，我们对语音样本进行预处理，包括特征提取、去噪等。
然后，我们采用循环神经网络（RNN）作为模型进行训练。
在模型训练过程中，我们尝试了不同的优化算法和网络结构。
最后，我们通过对模型进行评估，得到了一个较为可靠的语音识别系统。
4. 机器学习：机器学习是模式识别领域的基础。
我们使用了UCI数据集，这是一个包含多个数据集的数据集。
模式识别与智能信息处理实践实验报告
模式识别与智能信息处理实践实验报告
一、实验目的
本次实验的目的是：实现基于Matlab的模式识别与智能信息处理。
二、实验内容
1.对实验图片进行处理
根据实验要求，我们选取了两张图片，一张是原始图片，一张是锐化处理后的图片。
使用Matlab的imtool命令进行处理，实现对图片锐化、模糊处理、边缘检测、图像增强等功能。
2.基于模式识别算法进行图像分类
通过Matlab的k-means算法和PCA算法对实验图片进行图像分类，实现对图像数据特征提取，并将图像分类结果可视化。
3.使用智能信息处理技术处理实验数据
使用Matlab的BP网络算法，对实验图片进行处理，并实现实验数据的智能信息处理，以获得准确的分类结果。
三、实验结果
1.图片处理结果
2.图像分类结果
3.智能信息处理结果
四、总结
本次实验中，我们利用Matlab进行模式识别与智能信息处理的实践，实现了对图片的处理，图像分类，以及智能信息处理，从而获得准确的分
类结果。
中科大模式识别miniproject实验报告
模式识别miniproject实验报告一、算法介绍：本实验采用了SVM（ Support Vector Machines）分类模型。
由于实际问题中很少线性可分，故本实验采用非线性SVM方法。
即通过一个适当的非线性映射ϕ(x) ，将数据由原始特征空间映射到一个新特征空间，然后在新空间中寻求最优（线性）判定面。
本实验选取的的核函数为RBF（径向基函数）中的高斯核函数，即k(x,y) = exp(-0.5*(norm(x-y)/s)^2)。
关于支持向量机的类型，本实验选取为二类分类算法，即svc_c。
算法方面，由于同时求解n个拉格朗日乘子涉及很多次迭代，计算开销太大，所以实验采用Sequential Minimal Optimization（SMO）算法，即每次只更新两个乘子，迭代获得最终解。
计算时，首先根据预先设定的规则，从所有样本中选出两个拉格朗日因子，然后保持其他拉格朗日乘子不变，更新所选样本对应的拉格朗日乘子，循环N次直到满足要求。
二、实验1、评价标准本实验采用正确率来作为评价指标，即。
2、整体试验方法及步骤（1）定义核函数的类型及相关参数；（2）构建两类训练样本：（考虑到实验程序运行时间问题，本实验只选用了testdata的第200至1200项共1000个作为训练样本）（3）训练支持向量机；（4）寻找支持向量；（5）测试输出；（6）计算评价指标，即正确率3、分类器训练算法的参数调整步骤（1）随机生成多个参数向量（解）（2）在目标函数上验证解的质量（3）根据解的质量由好到坏进行排序。
取出其中较好的一部分（例如一半）解，在这些解的每一个元素上加上一个随机数，从而得到一些新解（4）把新解和老解比较，取出最好的一部分，作为下一次迭代的初始解4、实验结果经实验，得到测试输出，将其第十一列，即样本类别与testdata 中的第十三列相比，即可得到正确率。
本实验将以上结果取于EXECL 中进行统计，部分结果截图如下。
《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。
- 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)。
模式识别与智能信息处理实践实验一聚类分析一、实验目的通过聚类分析实验，加深对聚类分析基本思想、方法的理解和掌握。
二、实验内容了解动态、静态聚类算法的特点；熟练掌握k-均值算法或层次聚类算法；编写能对实际模式样本正确分类的算法程序。
掌握动态聚类算法的基本思想；认识类别数、初始类心的选择对k-均值算法聚类结果的影响；编写能对实际模式样本正确分类的k-均值算法程序。
三、方法手段设类别数为k，选取k个初始聚类中心，按最小距离原则将各模式分配到k类中的某一类，不断地计算类心和调整各模式的类别使每个模式特征矢量到其所属类别中心的距离平方之和最小。
四、k-均值算法（1）从D中随机取k个元素，作为k个簇的各自的中心。
（2）分别计算剩下的元素到k个簇中心的相异度，将这些元素分别划归到相异度最低的簇。
（3）根据聚类结果，重新计算k个簇各自的中心，计算方法是取簇中所有元素各自维度的算术平均数。
（4）将D中全部元素按照新的中心重新聚类。
（5）重复第4步，直到聚类结果不再变化。
五、k-均值程序运行结果（1）改变初始类心，观察对聚类结果的影响若选初始类心是[1 2 3]时的结果为其分为1类共39个，分为2类共61个，分为3类共50个，其中被分为第1类的样本为{51 53 78 101 103 104 105 106 108 109 110 111 112 113 116 117 118 119 121 123 125 126 129 130 131 132 133 135 136 137 138 140 141 142 144 145 146 148 149}被分为第2类的样本为{52 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 102 107 114 115 120 122 124 127 128 134 139 143 147 150}被分为第3类的样本为{1 2 3 4 5 6 7 8 9 1011 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50}。
若选初始类心是[2 4 5]时其聚类结果为其分为1类共96个，分为2类共22个，分为3类共个32，其中被分为第1类的样本为{51 52 53 54 55 56 57 59 60 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 95 96 97 98 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150}被分为第2类的样本为{ 2 3 4 7 9 10 13 14 25 26 30 31 35 39 42 43 46 48 58 61 94 99}被分为第3类的样本为{1 5 6 8 11 12 15 16 17 18 19 20 21 22 23 24 27 28 29 32 33 34 36 37 38 40 41 44 45 47 49 50}。
可见，初始类心的选择对于K均值算法的影响较大。
（2）改变类别数k，比较其对类内距离平方和的大小的影响若k=3且选初始类心是[1 2 3]时，其最终各类中心的距离为[1.1657 0.8230 4.0783]，若k=4且选初始类心是[1 2 3 4]时，其最终各类中心的距离为[1.3049 0.4917 4.0783 1.3928]，可见，改变类别数k，其对类内距离平方和的大小有直接的影响，且k越大，其类内距离平方和距离越小。
六、实验总结影响k-均值算法结果的因素有:初始类心的选择以及k值的选择，且k-均值算法适用于k值已知的情况，即类别号已知的情况。
七、Kmeans程序function y=my_Kmeans(k,mid)k=3;%类数mid=[1 2 3]; %随便给三个聚类中心%从文本文件读入数据放入X中load fisheriris;X=meas;k=3;mid=[1 2 3]; %Iris测试数据集num=size(X,1);%获得X维数大小for i=1:kZ(i,:)=X(mid(i),:);%获取k个聚类中心的初始坐标end%计算新的聚类中心，K-均值算法的核心部分temp=[];while(~isequal(Z,temp)) %聚类中心是否变化,若不变化则停止循环temp=Z;class=cell(k,1);%初始化类样本classvalue=cell(k,1);%初始化类样本的坐标valuefor j=1:numfor t=1:kD(t)=dist(X(j,:),Z(t,:)');%计算每个样本到类中心的距离 [minu,index]=min(D);%求出离聚类中心最小的一个样本endclass{index}=cat(1,class{index},j);%将该样本归于一类value{index}=cat(1,value{index},X(j,:));%存放该类样本的坐标 endfor i=1:kZ(i,:)=mean(value{i});%计算k类样本的均值，更新聚类中心endendcelldisp(class);%显示Kmeans聚类结果D %显示最终类间距离实验二 判别域代数界面方程法一、实验目的通过实验加深对判别域代数界面方程法基本思想、方法的认识，了解线性判别函数的分类能力，熟练掌握感知器算法，或H-K 算法，或累积势函数分类法，以及它们各自的适用条件，加深对有监督训练、线性可分、解空间、权空间等概念的理解，编写能对实际模式样本正确分类的算法程序。
二、实验内容编写能对实际模式样本正确分类的感知器算法，或H-K 算法，或累积势函数分类法的算法程序，能对实际模式样本进行正确分类。
三、方法手段设已知类别模式特征矢量集为{x 1,x 2,…,x N }，类别数为c 。
感知器算法是基于一次准则函数的梯度下降法。
从任意初始解矢量w 0出发，利用产生错分的样本对解矢量进行迭代校正：w k =w k-1+ρx i ，i=1,2,…,c，k=0,1,2…，ρ=常数，从而解得线性判决函数d(x )=w ’x 的解矢量w . 四、感知器算法 1、算法思想校正方法实际上是最优化技术中的负梯度下降法。
该算法也是人工神经网络理论中的线性阈值神经元的学习算法。
2、算法原理步骤 设给定一个增广的训练模式集{}N x x x ,,,21，其中每个模式类别已知，它们分属1ω类和2ω类。
（1） 置步数1=k ，令增量=ρ某正的常数，分别赋给增广权矢量初值)1(w的各分量较小的任意值。
（2） 输入训练模式k x 。
（3）计算判别函数值k x k w )('。
（4）调整增广权矢量，规则是① 如果1ω∈k x 和0)(≤'k x k w ，则k x k w k wρ+=+)()1(；(偏小，故加) ② 如果2ω∈k x 和0)(≥'k x k w，则k x k w k w ρ-=+)()1(；(偏大，故减) ③ 如果1ω∈k x 和0)(>'k x k w ，或2ω∈k x 和0)(<'k x k w ，则)()1(k w k w =+。
（分类正确，不校正）（5）令1+=k k 。
如果N k ≤，返至⑵。
如果N k >，检验判别函数x w '对N x x x ,,,21是否都能正确分类。
若是，结束；若不是，令1=k ，返至（2）。
如果训练模式已经符号规范化，即2ω∈k x 已乘以－1（包括增广分量1），则校正权矢量的规则可统一为⎩⎨⎧ρ+=+k x k w k w k w )()()1()(0)()(0)(错误分类若正确分类若≤'>'k k x k w x k w在用全部模式训练完一轮后只要还有模式被判错，则需要进行第二轮迭代，用全部训练模式再训练一次，建立新的权矢量。
如果对训练模式还有错分的，则进行第三轮迭代，余类推，直至对所有训练模式均能正确分类为止，此时的w即为所求的权矢量。
五、感知器算法实验结果（1）改变权矢量初值，观察对算法的影响已知w1:X1=(0 0)’,X2=(1 0)’,X3=(1 1)’,X4=(1 2)’；w2:X5=(1 3)’,X6=(2 3)’,X7=(3 2)’,X8=(3 3)’， 若步长因子ρ=1不变，权初始值取w=[0 0 0],则需迭代eth0=15步，若权初始值取w=[1 1 1]，则需迭代eth0=18步，可见，权初始值选取的不同，将直接导致算法的收敛速度不同。
（2）改变步长因子ρ，观察对算法的影响若权初始值取w=[0 0 0]不变，取步长因子ρ=1，则需迭代eth0=15步，若取步长因子ρ=0.1，则需迭代eth0=16步，可见，步长因子ρ选取的不同，也将直接导致算法的收敛速度不同。
（3）算法的适用性若已知w1:X1=(1 3)’,X2=(2 3)’,X3=(1 1)’,X4=(1 2)’；w2:X5=(0 0)’,X6=(1 0)’,X7=(3 2)’,X8=(3 3)’，则导致该程序死循环，可见，感知器算法只适用两类样本线性可分的条件下（图1），若希望在两类样本线性不可分的条件下，构造一判决平面，则可考虑使用势函数。
图1 感知器算法分类结果图2 线性不可分的情况六、实验程序function y=my_preception(W1,W2)%感知器算法，对两类问题生成线性判别函数%注意：前提是两类可线性判别，否则将死循环%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%W1=[0 0;1 0;1 1;1 2];%w1类中的样本W2=[1 3;2 3;3 2;3 3];%w2类中的样本%%%%%%初始化w=[0 0 0]; %任取w初值c=1; %任取校正增量系数c=1；%%%%%%感知器算法部分%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%增广样本w1和w2乘(-1)[m,n]=size(W1);for i=1:mW1(:,n+1)=1;%w1增广end[m,n]=size(W2);for i=1:mW2(:,n+1)=1;%w2增广endW2=-W2;%取反%将增广向量转换成元组，便于处理M=ones(1,m);w1=mat2cell(W1,M,n+1);w2=mat2cell(W2,M,n+1);X=cat(1,w1,w2);%合并两类增广样本%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%eth0=0; %迭代次数%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%感知器算法核心部分[m,n]=size(X);temp1=[];temp2=1;%随意两个赋不等的值while(~isequal(temp1,temp2)) %判断权值是否变换化，若不变化，则终止循环 eth0=eth0+1;temp2=temp1;clear temp1;%不清除此变量不行啊！！for i=1:mtemp1{i,1}=w;if(w*X{i}'<=0) %w乘X{i}的转置w=w+c*X{i}; %若小于0更新权值endendend %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%w %显示线性分类器权值eth0 %显示迭代次数实验三 Bayes 分类器设计一、实验目的通过实验，加深对统计判决与概率密度估计基本思想、方法的认识，了解影响Bayes 分类器性能的因素，掌握基于Bayes 决策理论的随机模式分类的原理和方法。