哈爾濱工程大學(xué) 模式識(shí)別實(shí)驗(yàn)報(bào)告材料

《哈爾濱工程大學(xué) 模式識(shí)別實(shí)驗(yàn)報(bào)告材料》由會(huì)員分享，可在線閱讀，更多相關(guān)《哈爾濱工程大學(xué) 模式識(shí)別實(shí)驗(yàn)報(bào)告材料（25頁珍藏版）》請(qǐng)?jiān)谘b配圖網(wǎng)上搜索。

1、word 實(shí) 驗(yàn) 報(bào) 告 實(shí)驗(yàn)課程名稱： 模式識(shí)別 ： 班級(jí)： 20120811 學(xué)號(hào)： 實(shí)驗(yàn)名稱 規(guī)程度 原理表示 實(shí)驗(yàn)過程 實(shí)驗(yàn)結(jié)果 實(shí)驗(yàn)成績(jī) 圖像的貝葉斯分類 K均值聚類算法 神經(jīng)網(wǎng)絡(luò)模式識(shí)別 平均成績(jī) 折合成績(jī) 注：1、每個(gè)實(shí)驗(yàn)中各項(xiàng)成績(jī)按照5分制評(píng)定，實(shí)驗(yàn)成績(jī)?yōu)楦黜?xiàng)總和 2、平均成績(jī)?nèi)「黜?xiàng)實(shí)驗(yàn)平均成績(jī) 3、折合

2、成績(jī)按照教學(xué)大綱要求的百分比進(jìn)展折合 2015年 4月 實(shí)驗(yàn)1 圖像的貝葉斯分類 1.1 實(shí)驗(yàn)?zāi)康? 將模式識(shí)別方法與圖像處理技術(shù)相結(jié)合，掌握利用最小錯(cuò)分概率貝葉斯分類器進(jìn)展圖像分類的根本方法，通過實(shí)驗(yàn)加深對(duì)根本概念的理解。 1.2 實(shí)驗(yàn)儀器設(shè)備與軟件 HP D538、MATLAB 1.3 實(shí)驗(yàn)原理 閾值化分割算法是計(jì)算機(jī)視覺中的常用算法，對(duì)灰度圖象的閾值分割就是先確定一個(gè)處于圖像灰度取值圍的灰度閾值，然后將圖像中每個(gè)像素的灰度值與這個(gè)閾值相比擬。并根據(jù)比擬的結(jié)果將對(duì)應(yīng)的像素劃分為兩類，灰度值大于閾值的像素劃分為一類，小于閾值的劃分為另一類，等于閾值的可任意劃

3、分到兩類中的任何一類。此過程中，確定閾值是分割的關(guān)鍵。 對(duì)一般的圖像進(jìn)展分割處理通常對(duì)圖像的灰度分布有一定的假設(shè)，或者說是基于一定的圖像模型。最常用的模型可描述如下：假設(shè)圖像由具有單峰灰度分布的目標(biāo)和背景組成，處于目標(biāo)和背景部相鄰像素間的灰度值是高度相關(guān)的，但處于目標(biāo)和背景交界處兩邊的像素灰度值有較大差異，此時(shí)，圖像的灰度直方圖根本上可看作是由分別對(duì)應(yīng)于目標(biāo)和背景的兩個(gè)單峰直方圖混合構(gòu)成。而且這兩個(gè)分布應(yīng)大小接近，且均值足夠遠(yuǎn)，方差足夠小，這種情況下直方圖呈現(xiàn)較明顯的雙峰。類似地，如果圖像中包含多個(gè)單峰灰度目標(biāo)，如此直方圖可能呈現(xiàn)較明顯的多峰。 上述圖像模型只是理想情況，有

4、時(shí)圖像中目標(biāo)和背景的灰度值有局部交織。這時(shí)如用全局閾值進(jìn)展分割必然會(huì)產(chǎn)生一定的誤差。分割誤差包括將目標(biāo)分為背景和將背景分為目標(biāo)兩大類。實(shí)際應(yīng)用中應(yīng)盡量減小錯(cuò)誤分割的概率，常用的一種方法為選取最優(yōu)閾值。這里所謂的最優(yōu)閾值，就是指能使誤分割概率最小的分割閾值。圖像的直方圖可以看成是對(duì)灰度值概率分布密度函數(shù)的一種近似。如一幅圖像中只包含目標(biāo)和背景兩類灰度區(qū)域，那么直方圖所代表的灰度值概率密度函數(shù)可以表示為目標(biāo)和背景兩類灰度值概率密度函數(shù)的加權(quán)和。如果概率密度函數(shù)形式，就有可能計(jì)算出使目標(biāo)和背景兩類誤分割概率最小的最優(yōu)閾值。 假設(shè)目標(biāo)與背景兩類像素值均服從正態(tài)分布且混有加性高斯噪聲，上述分類

5、問題可用模式識(shí)別中的最小錯(cuò)分概率貝葉斯分類器來解決。以與分別表示目標(biāo)與背景的灰度分布概率密度函數(shù)，與分別表示兩類的先驗(yàn)概率，如此圖像的混合概率密度函數(shù)用下式表示 式中和分別為 、是針對(duì)背景和目標(biāo)兩類區(qū)域灰度均值與的標(biāo)準(zhǔn)差。假如假定目標(biāo)的灰度較亮，其灰度均值為，背景的灰度較暗，其灰度均值為，因此有 現(xiàn)假如規(guī)定一門限值對(duì)圖像進(jìn)展分割，勢(shì)必會(huì)產(chǎn)生將目標(biāo)劃分為背景和將背景劃分為目標(biāo)這兩類錯(cuò)誤。通過適當(dāng)選擇閾值，可令這兩類錯(cuò)誤概率為最小，如此該閾值即為最優(yōu)閾值。 把目標(biāo)錯(cuò)分為背景的概率可表示為 把背景錯(cuò)分為目標(biāo)的概率可表示為 總的誤差概率為 為求得使

6、誤差概率最小的閾值，可將對(duì)求導(dǎo)并令導(dǎo)數(shù)為零，可得 代換后，可得 此時(shí)，假如設(shè)，如此有 假如還有的條件，如此 這時(shí)的最優(yōu)閾值就是兩類區(qū)域灰度均值與的平均值。 上面的推導(dǎo)是針對(duì)圖像灰度值服從正態(tài)分布時(shí)的情況，如果灰度值服從其它分布，依理也可求出最優(yōu)閾值來。一般情況下，在不清楚灰度值分布時(shí)，通?？杉俣ɑ叶戎捣恼龖B(tài)分布。因此，本課題中亦可使用此方法來求得最優(yōu)閾值，來對(duì)實(shí)驗(yàn)圖像進(jìn)展分割。 最優(yōu)閾值的迭代算法 在實(shí)際使用最優(yōu)閾值進(jìn)展分割的過程中，需要利用迭代算法來求得最優(yōu)閾值。設(shè)有一幅數(shù)字圖像，混有加性高斯噪聲，可表示為 此處假設(shè)圖像上各點(diǎn)的噪聲相互獨(dú)立，且

7、具有零均值，如果通過閾值分割將圖像分為目標(biāo)與背景兩局部，如此每一局部仍然有噪聲點(diǎn)隨機(jī)作用于其上，于是，目標(biāo)和可表示為 迭代過程中，會(huì)屢次地對(duì)和求均值，如此 可見，隨著迭代次數(shù)的增加，目標(biāo)和背景的平均灰度都趨向于真實(shí)值。因此，用迭代算法求得的最優(yōu)閾值不受噪聲干擾的影響。 利用最優(yōu)閾值對(duì)實(shí)驗(yàn)圖像進(jìn)展分割的迭代步驟為： 〔1〕確定一個(gè)初始閾值，可取為 式中，和為圖像灰度的最小值和最大值。 〔2〕利用第k次迭代得到的閾值將圖像分為目標(biāo)和背景兩大區(qū)域，其中 〔3〕計(jì)算區(qū)域和的灰度均值和。 〔4〕計(jì)算新的閾值，其中

8、 〔5〕如果小于允許的誤差，如此完畢，否如此，轉(zhuǎn)步驟〔2〕。 利用迭代法求得最優(yōu)閾值后，仍需進(jìn)展一些人工調(diào)整才能將此閾值用于實(shí)驗(yàn)圖像的分割，這是因?yàn)?，這種最優(yōu)閾值仍然屬于全局閾值，它利用了圖像中所有像素點(diǎn)的信息，但當(dāng)光照不均勻時(shí)，圖像中局部區(qū)域的灰度值可能差距較大，造成計(jì)算出的最優(yōu)閾值分割效果不理想，此時(shí)，可設(shè)一人工經(jīng)驗(yàn)因子進(jìn)展校正。 、實(shí)驗(yàn)步驟與程序 實(shí)驗(yàn)步驟： 1、讀取指定圖像，取矩陣的最大值和最小值，并以最大值、最小值的平均值為初始閾值A(chǔ)。 2、比擬所有的矩陣因子和初始閾值的大小，假如某矩陣因子較大，如此有效區(qū)域的像素點(diǎn)數(shù)增加1，該點(diǎn)灰度值需計(jì)入有效區(qū)

9、域的灰度總值。反之，背景的像素點(diǎn)增加1，該點(diǎn)灰度值需計(jì)入背景的灰度值。 3、所有的矩陣因子都比擬完以后，計(jì)算有效區(qū)域的像素平均灰度值和背景的平均灰度值。取這兩個(gè)平均值的平均，記為B，假如A=B,如此循環(huán)完畢，該值為最優(yōu)閾值。否如此，令A(yù)=B， 重復(fù)步驟2、3。 讀取指定圖像，取矩陣的最大值和最小值，并以最大值、最小值的平均值作為初始的閾值A(chǔ) 矩陣因子>A? 有效區(qū)域的像素點(diǎn)數(shù)增加1，該點(diǎn)灰度值需計(jì)入有效區(qū)域的灰度總值 背景的像素點(diǎn)增加1，該點(diǎn)灰度值需計(jì)入背景的灰度值 計(jì)算有效區(qū)域的像素平均灰度值和背景的平均灰度值。取這兩個(gè)平均值的平均，記為B 比擬完畢？ A-B<允

10、許誤差? A值為最優(yōu)閾值 完畢 開始 N Y Y N 圖1.4.1 程序流程圖 Y 令A(yù)=B N 實(shí)驗(yàn)程序： I=imread('blood.jpg'); Picgray = rgb2gray(I); imhist(Picgray); figure SMax=max(max(I)); SMin=min(min(I)); TK=(SMax+SMin)/2; bCal=1; iSize=size(I); while(bCal) iForeground=0; iBackground=0; F

11、oregroundSum=0; BackgroundSum=0; for i=1:iSize(1) for j=1:iSize(2) tmp=I(i,j); if(tmp>=TK) iForeground=iForeground+1; ForegroundSum=ForegroundSum+double(tmp); else iBackground=iBackground+1; BackgroundSum=Backg

12、roundSum+double(tmp); end end end ZO=ForegroundSum/iForeground; ZB=BackgroundSum/iBackground; TKTmp=double((ZO+ZB)/2); if(TKTmp==TK) bCal=0; else TK=TKTmp; end end disp(strcat('diedaihoudeyuzhi￡o',num2str(TK))); newI=im2bw(I,double(TK)/255); imshow(I) figu

13、re imshow(newI) 、實(shí)驗(yàn)結(jié)果與分析 分割效果圖如下所示。 圖1.5.1 原始圖像 圖1.5.2 分割后的圖像 圖1.5.3 原始圖像的灰度直方圖 實(shí)驗(yàn)分析： 對(duì)灰度圖象的閾值分割就是先確定一個(gè)處于圖像灰度取值圍的灰度閾值，然后將圖像中每個(gè)像素的灰度值與這個(gè)閾值相比擬。并根據(jù)比擬的結(jié)果將對(duì)應(yīng)的像素劃分為兩類，灰度值大于閾值的像素劃分為一類，小于閾值的劃分為另一類，等于閾值的可任意劃分到

14、兩類中的任何一類。其中確定閾值是分割的關(guān)鍵。最優(yōu)閾值的求得需要使用迭代算法。它將會(huì)影響到迭代的次數(shù)和結(jié)果精度。 實(shí)驗(yàn)2 K均值聚類算法 2.1 實(shí)驗(yàn)?zāi)康? 將模式識(shí)別方法與圖像處理技術(shù)相結(jié)合，掌握利用K均值聚類算法進(jìn)展圖像分類的根本方法，通過實(shí)驗(yàn)加深對(duì)根本概念的理解。 2.2 實(shí)驗(yàn)儀器設(shè)備與軟件 HP D538、MATLAB、WIT 2.3 實(shí)驗(yàn)原理 K均值聚類法分為如下幾個(gè)步驟： 一、 初始化聚類中心 1、 根據(jù)具體問題，憑經(jīng)驗(yàn)從樣本集中選出C個(gè)比擬適宜的樣本作為初始聚類中心。 2、 用前C個(gè)樣本作為初始聚類中

15、心。 3、 將全部樣本隨機(jī)地分成C類，計(jì)算每類的樣本均值，將樣本均值作為初始聚類中心。 二、 初始聚類 1、 按就近原如此將樣本歸入各聚類中心所代表的類中。 2、 取一樣本，將其歸入與其最近的聚類中心的那一類中，重新計(jì)算樣本均值，更新聚類中心。然后取下一樣本，重復(fù)操作，直至所有樣本歸入相應(yīng)類中。 三、 判斷聚類是否合理 采用誤差平方和準(zhǔn)如此函數(shù)判斷聚類是否合理，不合理如此修改分類。循環(huán)進(jìn)展判斷、修改直至達(dá)到算法終止條件。 2.4 實(shí)驗(yàn)步驟與程序 實(shí)驗(yàn)步驟： 1、讀取原始圖像，確定四個(gè)初始聚類中心。 2、計(jì)算各點(diǎn)與聚類中心的距離，以與各點(diǎn)到不同聚類中心的距離之差，選取距離最近

16、的聚類中心作為該點(diǎn)的聚類中心，依據(jù)此原理將屬于不同聚類中心的元素聚類。 3、求各類的平均值作為新的聚類中心，檢驗(yàn)是否滿足精度條件。 4、輸出的四個(gè)聚類中心值，將圖像分成四類輸出。 開始 讀取原始圖像，確定四個(gè)初始聚類中心 計(jì)算各點(diǎn)與聚類中心的距離，以與各點(diǎn)到不同聚類中心的距離之差，選取距離最近的聚類中心作為該點(diǎn)的聚類中心，據(jù)此原理將屬于不同聚類中心的元素聚類 將各類的平均值作為新的聚類中心 滿足誤差條件？ 新的聚類中心即為最終結(jié)果 N Y 完畢 圖2.4.1 實(shí)驗(yàn)程序流程圖 實(shí)驗(yàn)程序： clc clear tic % A=imread('

17、peppers.jpg'); A=imread('N:模式識(shí)別實(shí)驗(yàn)資料\實(shí)驗(yàn)圖片\peppers.bmp'); figure,imshow(A) figure,imhist(A) A=double(A); for i=1:200 c1(1)=25; c2(1)=75; c3(1)=120; c4(1)=200; r=abs(A-c1(i)); g=abs(A-c2(i)); b=abs(A-c3(i)); y=abs(A-c4(i)); r_g=r-g; g_b=g-b; r

18、_b=r-b; b_y=b-y; r_y=r-y; g_y=g-y; n_r=find(r_g<=0&r_b<=0&r_y<=0); n_g=find(r_g>0&g_b<=0&g_y<=0); n_b=find(g_b>0&r_b>0&b_y<=0); n_y=find(r_y>0&g_y>0&b_y>0); i=i+1; c1(i)=sum(A(n_r))/length(n_r); c2(i)=sum(A(n_g))/length(n_g); c3(i)=sum(A(n_b))/length(n_

19、b); c4(i)=sum(A(n_y))/length(n_y); d1(i)=sqrt(abs(c1(i)-c1(i-1))); d2(i)=sqrt(abs(c2(i)-c2(i-1))); d3(i)=sqrt(abs(c3(i)-c3(i-1))); d4(i)=sqrt(abs(c4(i)-c4(i-1))); if R=c1(i); G=c2(i); B=c3(i); Y=c4(i); k=i; break; end end R G

20、 B Y A=uint8(A); A(find(A<(R+G)/2))=0; A(find(A>(R+G)/2&A<(G+B)/2))=75; A(find(A>(G+B)/2&A<(Y+B)/2))=150; A(find(A>(B+Y)/2))=255; toc figure,imshow(A) figure,imhist(A) 2.5 實(shí)驗(yàn)結(jié)果與分析 使用MATLAB所得結(jié)果：聚類類別數(shù)為4類，聚類中心 ，，，，迭代次數(shù) 9次、運(yùn)行時(shí)間s。 圖2.5.1 原始圖像 圖2.5.2 原始圖像的灰度直方

21、圖 圖2.5.3 聚類后的圖像 圖2.5.4 聚類后的灰度直方圖 使用witDemo所得結(jié)果：聚類類別數(shù)為4類，聚類中心 R = 17.9247，G =64.4222，B = 127.926，Y =172.09，迭代次數(shù) 7次、運(yùn)行時(shí)間27.265ms。 圖2.5.5 witDemo運(yùn)行界面圖 圖2.5.6 原始圖像 圖2.5.7 原始圖像的灰度直方圖 圖2.5.8 聚類

22、后的圖像 圖2.5.9 運(yùn)行次數(shù)和時(shí)間結(jié)果 圖2.5.10 聚類中心 實(shí)驗(yàn)分析： 初始的聚類中心的不同，對(duì)聚類的結(jié)果沒有很大的影響，但是對(duì)迭代次數(shù)有明顯的影響。數(shù)據(jù)輸入順序的不同也是影響迭代次數(shù)的，但是對(duì)最后的聚類結(jié)果沒有太大的影響。 witDemo中迭代次數(shù)是實(shí)驗(yàn)者設(shè)定的，而MATLAB中如此是根據(jù)精度要求自動(dòng)完成迭代的。 實(shí)驗(yàn)3 神經(jīng)網(wǎng)絡(luò)模式識(shí)別 3.1 實(shí)驗(yàn)?zāi)康? 掌握利用感知器和BP網(wǎng)進(jìn)展模式識(shí)別的根本方法，通過實(shí)驗(yàn)加深對(duì)根本概念的理解。 3.2 實(shí)驗(yàn)儀器與設(shè)備 HP D538、MATLAB 3.3 實(shí)驗(yàn)原理 一、設(shè)計(jì)線性可分實(shí)

23、驗(yàn) 線性分類器原理見教材。設(shè)計(jì)線性分類器對(duì)線性可分樣本集進(jìn)展分類，樣本數(shù)目10個(gè)以上，訓(xùn)練與分類步驟齊全，記錄分類器訓(xùn)練的迭代次數(shù)和訓(xùn)練時(shí)間。 二、奇異樣本對(duì)網(wǎng)絡(luò)訓(xùn)練的影響 奇異樣本：該樣本向量同其他樣本向量比擬起來特別大或特別小時(shí)，網(wǎng)絡(luò)訓(xùn)練所花費(fèi)的時(shí)間將很長(zhǎng)。 設(shè)計(jì)實(shí)驗(yàn)考察奇異樣本對(duì)感知機(jī)訓(xùn)練的影響，比擬有無奇異點(diǎn)時(shí)的訓(xùn)練時(shí)間與迭代次數(shù)，設(shè)計(jì)解決此問題的方案并實(shí)驗(yàn)驗(yàn)證。 三、分類線性不可分樣本 利用線性分類器對(duì)線性不可分樣本進(jìn)展分類，考察訓(xùn)練時(shí)間與迭代次數(shù)。利用BP網(wǎng)對(duì)該樣本集進(jìn)展分類，考察訓(xùn)練時(shí)間與迭代次數(shù)并作比照。 3.4 實(shí)驗(yàn)步驟與程序 實(shí)驗(yàn)步驟： 感知器實(shí)驗(yàn)：1、設(shè)

24、計(jì)線性可分實(shí)驗(yàn)，要求訓(xùn)練樣本10個(gè)以上 2、奇異樣本對(duì)網(wǎng)絡(luò)訓(xùn)練的影響 3、以線性不可分樣本集訓(xùn)練分類器 BP網(wǎng)實(shí)驗(yàn)：利用BP網(wǎng)對(duì)上述線性不可分樣本集進(jìn)展分類 線性可分實(shí)驗(yàn)程序： tic; P=[-5 -7 -4 -1 0 -5 4 2 -4 -2 1 4 4 3 1 -2;0 -5 4 2 -4 1 4 1 -1 -3 -1 7 -2 -3 5 -5]; T=[1 0 1 1 0 1 1 0 1 0 0 1 0 0 1 0]; figure,plotpv(P,T); net=newp(minmax(P),1); lineh

25、andle=plotpc(net.IW{1},net.b{1}); E=1;n=0; while(sse(E)) [net,y,E]=adapt(net,P,T); n=n+1; perf(n)=sse(E); linehandle=plotpc(net.IW{1},net.b{1},linehandle);drawnow; end toc disp(strcat('迭代次數(shù) ',num2str(n))); figure,plot(perf); 奇異樣本對(duì)網(wǎng)絡(luò)訓(xùn)練的影響實(shí)驗(yàn)程序： tic; P=[-5 -9 -4 -1 0 -5 1

26、1 2 -1 -2 1 7 4 3 1 -2;0 -20 8 2 -4 1 4 1 -1 -3 -1 7 -2 -3 5 -5]; T=[1 0 1 0 0 1 1 0 1 0 0 1 11 1 0]; figure,plotpv(P,T); net=newp(minmax(P),1); linehandle=plotpc(net.IW{1},net.b{1}); E=1;n=0; while(sse(E)) [net,y,E]=adapt(net,P,T); n=n+1; perf(n)=sse(E); linehandle=plotpc(

27、net.IW{1},net.b{1},linehandle);drawnow; end toc disp(strcat('迭代次數(shù)',num2str(n))); figure,plot(perf); 以線性不可分樣本集訓(xùn)練分類器實(shí)驗(yàn)程序： tic; P=[-5 -3 -4 -1 0 -5 4 2 2 -2 1 4 -2 3 1 -2;0 12 4 2 -4 1 4 -8 -1 -3 -1 7 -2 -3 5 9]; T=[1 0 1 1 0 1 1 0 1 0 0 1 0 0 1 0]; figure,plotpv(P,T); net=newp(minmax(P),1)

28、; linehandle=plotpc(net.IW{1},net.b{1}); E=1;n=0; while(sse(E)) [net,y,E]=adapt(net,P,T); n=n+1; perf(n)=sse(E); linehandle=plotpc(net.IW{1},net.b{1},linehandle);drawnow; end toc disp(strcat('迭代次數(shù)',num2str(n))); figure,plot(perf); BP網(wǎng)實(shí)驗(yàn)程序 clear; tic; P=[-5 -3 -4 -1 0

29、 -5 4 2 2 -2 1 4 -2 3 1 -2;0 12 4 2 -4 1 4 -8 -1 -3 -1 7 -2 -3 5 9]; T=[1 0 1 0 0 1 1 0 1 0 0 1 0 0 1 0]; figure,plotpv(P,T); net=newff(minmax(P),[5,5,1],{'tansig','purelin','logsig'},'trainlm'); inputWeights=net.IW{1,1}; inputbias=net.b{1}; layerWeights=net.LW{2,1}; layerbias=net.b{2}; net.

30、trainParam.show=300; net.trainParam.lr=0.05; net.trainParam.mc=0.9; net.trainParam.epochs=1000; net.trainParam.goal=1e-4; tic [net,tr]=train(net,P,T); toc A=sim(net,P); E=T-A; MSE=mse(E); 3.5 實(shí)驗(yàn)結(jié)果與分析 線性可分實(shí)驗(yàn)：迭代次數(shù)為3次，訓(xùn)練時(shí)間。 圖3.5.1 樣本分布圖a

31、 圖3.5.2 樣本分布圖b 實(shí)驗(yàn)結(jié)果分析： 由輸入矢量建立感知器網(wǎng)絡(luò)，通過經(jīng)過網(wǎng)絡(luò)訓(xùn)練得到的結(jié)果矢量與目標(biāo)矢量做差，得到的誤差，對(duì)其平方求和與0比擬，如不為0，如此繼續(xù)經(jīng)過adpat算放訓(xùn)練建立的感知器網(wǎng)絡(luò)，知道它能夠?qū)⑤斎氲臉颖炯珠_，并且得到的結(jié)果與目標(biāo)矢量一致。此時(shí)感知器網(wǎng)絡(luò)的閾值是一定的。 奇異樣本對(duì)網(wǎng)絡(luò)訓(xùn)練的影響實(shí)驗(yàn) 圖3.5.3 樣本分布圖 以線性不可分樣本集訓(xùn)練分類器實(shí)驗(yàn) 圖3.5.4 樣本分布圖 BP網(wǎng)實(shí)驗(yàn)：利用BP網(wǎng)對(duì)上述線性不可分樣本集進(jìn)展分類 圖3.5.5 樣本分布圖 圖3.5.6 樣本平均方差圖 實(shí)驗(yàn)分析： 通過此實(shí)驗(yàn)加深理解了BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和原理，了解了線性可分實(shí)驗(yàn)、奇異樣本對(duì)網(wǎng)絡(luò)訓(xùn)練的影響以與分類線性不可分樣本，鞏固了理論知識(shí)。 參考教材 [1] 邊肇祺，學(xué)工．模式識(shí)別．清華大學(xué)，2000 [2] 董長(zhǎng)虹．Matlab神經(jīng)網(wǎng)絡(luò)與應(yīng)用．國防工業(yè)，2005 [3] 岡薩雷斯．?dāng)?shù)字圖像處理〔第二版〕．電子工業(yè)，2005 [4] 徐飛，施曉紅．MATLAB應(yīng)用圖像處理．電子科技大學(xué)，2002 25 / 25