模式识别第四次实验
学号：20121001873
班学号：07512213
姓名：吴泽光
指导老师：马丽
中国地质大学（武汉）机械与电子信息学院
2015年4月
题目：基于PCA降维的遥感图像分类
实验目标：
1.掌握PCA算法原理
2.用MATLAB实现PCA，并进行结果分析。
实验内容：
1.采用INP数据（145*145*200），该数据有16个类别，PCA进行数据降维，然后对降维数据采用kNN分类（k=1）。
2.要求
（1）得到整个图像的降维结果，报告中画出前面5个主成分/波段的图像。
（2）分析参数：降维波段数量d（尝试下列7个取值：3,5,10,20,30,40,50）。随机10次选择train数据和test数据（例如30%train，70%test），得到这些train和test数据的pca降维结果，采用kNN分类，求出分类准确度OA。（注意，一共得到7*10个OA，7是指不同的d值，10是指10次实验，也就是每个d每次随机数据下都有一个分类结果OA）。对每个d值下的10个OA取平均，得到该d值下的分类准确度。最后画1个表格，给出7种不同d值下的分类结果。
d=3d=5d=10d=20d=30d=40d=50平均
OA
（3）【选作optional】选择出最好OA所对应的d，然后在该d下，对全图进行1NN分类（1NN 作用在pca降维图像上），画出全图分类结果。
（4）和第三次上机的结果进行比较（数据不降维，直接采用kNN算法分类），看PCA降维的作用（对于kNN算法，PCA降维是因为信息损失而使得分类效果下降，还是PCA降维提高了分类效果）。
PCA算法原理：
PCA算法的原理是设法将原来变量重新组合成一组新的互相无关的几个综合变量，同时根据实际需要从中可以取出几个较少的总和变量尽可能多地反映原来变量的信息的统计的方法，也是数学上处理降维的一种方法。
PCA算法步骤：
1、求出矩阵的协方差矩阵Cx；
2、对协方差矩阵进行特征值的分解[a,b]=eig(Cx)；
3、找出最大的d个特征值对应的特征向量，组成一个新的矩阵I；
4、将原矩阵与新的矩阵I相乘，实现数据降维。
算法程序代码：
（1）画出前五个波段的图像
clear
clc
%%read the data zy3sample1
Img=imread('INP_200.tif');%将高广谱数据读入
GT=imread('92AV3GT_cls.tif');%将高广谱数据读入
Img=im2double(Img);
test_class=1:16;
C=length(test_class);
K=1;
d=5;
NbRow=145;
NbCol=145;
NbDim=200;
dataname='INP';
data=reshape(Img,NbRow*NbCol,NbDim);
b1=[];
Cx=cov(data);
[a,b]=eig(Cx);
b=diag(b);
[m,n]=sort(b,'descend');%m为排列之后的值，n为值原来的位置n=n(1:d);
%for x=1:d
b1=a(:,n);
%end
data1=data*b1;
Img=reshape(data1,NbRow,NbCol,d);
%imshow(Img(:,:,5));
for w=1:d
%j=Img(:,:,w);
figure(w);
imshow(Img(:,:,w),[]);
end
（2）选择不同的降维波段数量d，随机选择10次，得到分类准确度OA
clear
clc
%%read the data zy3sample1
Img=imread('INP_200.tif');%将高广谱数据读入
GT=imread('92AV3GT_cls.tif');%将高广谱数据读入
Img=im2double(Img);
test_class=1:16;
C=length(test_class);
K=1;
d=[351020304050];
NbRow=145;
NbCol=145;
NbDim=200;
dataname='INP';
OA_ave1=[];
data=reshape(Img,NbRow*NbCol,NbDim);
for q=1:7
b1=[];
Cx=cov(data);
[a,b]=eig(Cx);
b=diag(b);
[m,n]=sort(b,'descend');%m为排列之后的值，n为值原来的位置
n=n(1:d(q),1);
size(n,1)
for x=1:d(q)
b1(:,x)=a(:,n(x));
end
data1=data*b1;
Img=reshape(data1,NbRow,NbCol,d(q));
nrep=10;%10experiments.
Sampling=20;%selecting sampling percent data as training data.
for expt=1:nrep
fprintf(1,'precessing on the experiment%d\n',expt);%将expt的值依次显示出来
Train_row=[];Train_col=[];%Train_row and Train_col is the coordinates（坐标）of training data Test_row=[];Test_col=[];%Test_row and Test_col is the coordinates of testing data
Y_train=[];Y_test=[];%Y_train is the label of training data(N_train*1);Y_test is the label of testing data(N_test*1);
X_train=[];X_test=[];%X_train is the training data(N_train*D);X_test is the testing data(N_test*D);
for i=1:length(test_class)
[row,col]=find(GT==i);
n(i)=length(row);
temp=randperm(n(i));
ind_train=temp(1:round(n(i)*Sampling/100));%round四舍五入
ind_test=temp(round(n(i)*Sampling/100)+1:end);%在temp中后几个值赋给ind_test
Train_row=[Train_row;row(ind_train)];%label数据的row
Train_col=[Train_col;col(ind_train)];
n_train(i)=round(n(i)*Sampling/100);
Test_row=[Test_row;row(ind_test)];%label数据的row
Test_col=[Test_col;col(ind_test)];
n_test(i)=n(i)-n_train(i);
for j=1:n_train(i) X_train=[X_train;reshape(Img(row(ind_train(j)),col(ind_train(j)),:),1,d(q))];end
for j=1:n_test(i)X_test=[X_test;reshape(Img(row(ind_test(j)),col(ind_test(j)),:),1,d(q))];end
Y_train=[Y_train;repmat(test_class(i),n_train(i),1)];
Y_test=[Y_test;repmat(test_class(i),n_test(i),1)];
end
[result]=MLknn_to_black(X_train,Y_train,X_test,K);%train_data:nband*nsamp; train_label:1*nsamp
M=length(X_test);
N=0;
for l=1:M
if(Y_test(l)==result(l))
N=N+1;
end
end
OA(expt)=N/M;
fprintf('OA=%d',OA(expt));
end
%%calculate the average accurayc of the10experiments
OA_ave(q)=mean(OA(expt));
OA_ave1=[OA_ave1;OA_ave(q)];
end
plot(d,OA_ave1);
（3）选择出最好OA所对应的d，然后在该d下，对全图进行1NN分类
data=reshape(Img,NbRow*NbCol,NbDim);
b1=[];
K=1;d=20;
Cx=cov(data);
[a,b]=eig(Cx);
b=diag(b);
[m,n]=sort(b,'descend');%m为排列之后的值，n为值原来的位置
n=n(1:d,1);
for x=1:d
b1(:,x)=a(:,n(x));
end
data1=data*b1;
Img=reshape(data1,NbRow,NbCol,d);
[result]=MLknn_to_black(X_train,Y_train,data1,K);%train_data:nband*nsamp; train_label:1*nsamp
end
ColorTable=[218112214;%c1Alfalfa(orchid)
2052050;%c2corn-notill(yellow3)
21816532;%c3corn-min(dark goldenrod)
2552550;%C4corn(yellow)
0,255,0;%c5grass/pasture(green)
24,139,34;%c6grass/trees(forest green)
193255193;%c7grass/pasture-mowed(dark sea green1)
135206235;%c8hay-windrowed(sky blue)
00255;%c9oats(blue)
1654242;%c10soybean-notill(brown)
25512780;%c11soybean-min(coral)
25500;%c12soyebean-clean(red)
245222179;%c13wheat(wheat)
13911585;%c14woods(burlywood4)
238210238;%c15blag-grass-tree-drives(thistle2)
10690205;%c16stone-steel towers(slate blue)
];
DATA=result;
LINES=145;
SAMPLES=145;
COLORTABLE=ColorTable;
[ClassificationMap]=GenerateClassificationMap(LINES,SAMPLES,COLORTABLE,DATA); imshow(ClassificationMap);
试验结果：
（1）前五个波段图像
第一个波段第二个波段
第三个波段第四个波段
第五个波段
（2）取降维数d为3,5,10,20,30,40,50，随机10次选择train数据和test数据。对每个d值下的10个OA取平均，得到该d值下的分类准确度。
7种不同d值下的分类结果。
d=3d=5d=10d=20d=30d=40d=50
0.640.740.750.760760.760.76
平均
OA
OA的曲线为：
（3）选择最好的OA对应d=20，得到分类结果和数据不降维的得到的分类结果比较：
数据降维后的结果数据不降维的结果其实两者的分类效果差别不大，总体来说在一些细节方面不降维还是要清楚一点，说明对数据降维操作会损失数据的信息，增大了分类结果误差。但是从数据处理来看，数据降维提高了分类的速度，易于数据处理。
总结：
这次试验原理比较复杂，但是实现起来很简单。将数据降维在保证最大信息量的情况下提高了数据的处理速度。在编程中有一些循环在学长的指导下改成了矩阵运算，使程序更规范，也提高了运行效率。
中国地质大学（武汉）普通地质学历年考研真题解析 历史比较法（“将今论古”）：发生在地质历史时期的地质作用及其结果，与现代正在进行的地质作用及其产物有相似之处。从研究现代地质作用的过程和产物中总结得出的规律，可用来分析保留在地层及岩石中的各种地质现象，从而推断古代地质作用的过程和古地理环境。地温梯度：指深度每增加100米时所升高的温度，以℃表示。 软流圈：地下深度为60-250km范围内的地震波速低速层，是一个具软塑性和流动性的层次。克拉克值：元素在地壳中平均重量百分比称为克拉克值。 矿物：由地质作用所形成的天然单质或化合物。 解理：矿物晶体受力后沿一定方向的平面破裂的性能称为解理。 断口：矿物受力后形成凹凸不平的破裂面称为断口。 相对地质年代：表示地质事件和各种地质体发生或形成的先后顺序或新老关系，称为相对地质年代。 地层层序律：地层形成时的原始产状一般是水平或近水平的，并且，总是老的地层先形成，位于下部，新的地层后形成，覆于上部。即原始产状的地层具有下老上新的层序规律，称为地层层序律或称叠置原理。 化石：埋藏在地质历史时期沉积物中的古代生物的遗体和遗迹称为化石。 生物演化律：不同时期的地层中含有不同类型的化石，相同时期的地层含有相同的化石及化石组合。 风化作用：在地表或近地表的环境中，由于温度变化、大气、水和水溶液及生物作用等因素的影响，使岩石在原地遭受破坏的过程。 差异风化：在相同的自然条件下，由于岩性（矿物组成）的不同导致风化速度不同，使岩石表面出现凹凸不平的现象称为差异风化。 球形风化：在裂隙发育的岩浆岩和厚层砂岩地区，由于风化作用的影响，岩石表面趋于圆化（球状）的现象。 风化壳：指在陆地表面由残积物和土壤构成的一层不连续的、厚薄不均的薄壳。 残积物：陆地表面的岩石经过长期风化作用以后，各种矿物发生不同程度的分解，可迁移的成分从原矿物中迁移出来随流水带走，剩下的物质残留在原地称为残积物。 片流：沿斜坡无固定水道的面状流水。 洪流：由片流汇集到沟谷中形成的有固定水道的水流。 坡积物：片流将洗刷破坏的物质从山坡上部搬运到山坡下部较平缓地带堆积形成坡积物。 地下水：埋藏在地表以下岩石和松散堆积物中的水体，井和泉是它的人工和天然露头。 河流的袭夺：向源侵蚀作用较强的水系把分水岭另一侧侵蚀作用较弱的水系上游或其支流袭夺过来，叫河流的袭夺。 侵蚀基准面：河流下切（下蚀）达一定深度后，接近某一水面时，下蚀作用即停止，这种水平面称为河流侵蚀基准面。 侧蚀作用：河水以自身的动力及携带的碎屑物对河床两侧或谷坡进行破坏的作用。 牛轭湖：河流截弯取直后，被遗弃的弯曲河道称为牛轭湖。 冲积物的二元结构：河流冲积物在垂直剖面上的结构。洪水期限河流断面扩大，引起河漫滩洪水流速减小，洪水挟带的细粒泥砂，覆盖在河床冲积物上，形成下部为粗砂和砾石组成的河床冲积物，上部为细砂或粘土组成的河漫滩冲积物，构成下粗上细的沉积结构，叫“二元结构”。 三角洲：河流注入海洋或湖泊时，水流向外扩散，动能显著减弱，并将所带的泥沙堆积下来，形成一片向海或向湖伸出的平地，外形常呈△状，所以称为三角洲。
类别1234 样本x 1x 2x 1x 2x 1x 2x 1x 2 10.1 1.17.1 4.2-3.0-2.9-2.0-8.4 2 6.87.1-1.4-4.30.58.7-8.90.23-3.5-4.1 4.50.0 2.9 2.1-4.2-7.74 2.0 2.7 6. 3 1.6-0.1 5.2-8.5-3.25 4.1 2.8 4.2 1.9-4.0 2.2-6.7-4.06 3.1 5.0 1.4-3.2-1.3 3.7-0.5-9.27-0.8-1.3 2.4-4.0-3. 4 6.2-5.3-6.7 80.9 1.2 2.5-6.1-4.1 3.4-8.7-6.4 9 5.0 6.48.4 3.7-5.1 1.6-7.1-9.7 10 3.9 4.0 4.1-2.2 1.9 5.1-8.0-6.3 实验一 感知器准则算法实验 一、实验目的： 贝叶斯分类方法是基于后验概率的大小进行分类的方法，有时需要进行概率密度函数的估计，而概率密度函数的估计通常需要大量样本才能进行，随着特征空间维数的增加，这种估计所需要的样本数急剧增加，使计算量大增。 在实际问题中，人们可以不去估计概率密度，而直接通过与样本和类别标号有关的判别函数来直接将未知样本进行分类。这种思路就是判别函数法，最简单的判别函数是线性判别函数。采用判别函数法的关键在于利用样本找到判别函数的系数，模式识别课程中的感知器算法是一种求解判别函数系数的有效方法。本实验的目的是通过编制程序，实现感知器准则算法，并实现线性可分样本的分类。 二、实验内容： 实验所用样本数据如表2-1给出（其中每个样本空间（数据）为两维，x 1表示第一维的值、x 2表示第二维的值），编制程序实现1、 2类2、 3类的分类。分析分类器算法的性能。 2-1 感知器算法实验数据 具体要求 1、复习 感知器算法；2、写出实现批处理感 知器算法的程序1）从a=0开 始，将你的程序应用在和的训练数据上。记下收敛的步数。2）将你的程序应用在和类上，同样记下收敛的步数。3）试解释它们收敛步数的差别。 3、提高部分：和的前5个点不是线性可分的，请手工构造非线性映射，使这些点在映射后的特征空间中是线性可分的，并对它们训练一个感知
模式识别实验报告
————————————————————————————————作者：————————————————————————————————日期：
实验报告 实验课程名称：模式识别 姓名：王宇班级： 20110813 学号： 2011081325 实验名称规范程度原理叙述实验过程实验结果实验成绩 图像的贝叶斯分类 K均值聚类算法 神经网络模式识别 平均成绩 折合成绩 注：1、每个实验中各项成绩按照5分制评定，实验成绩为各项总和 2、平均成绩取各项实验平均成绩 3、折合成绩按照教学大纲要求的百分比进行折合 2014年 6月
实验一、 图像的贝叶斯分类 一、实验目的 将模式识别方法与图像处理技术相结合，掌握利用最小错分概率贝叶斯分类器进行图像分类的基本方法，通过实验加深对基本概念的理解。 二、实验仪器设备及软件 HP D538、MATLAB 三、实验原理 概念： 阈值化分割算法是计算机视觉中的常用算法，对灰度图象的阈值分割就是先确定一个处于图像灰度取值范围内的灰度阈值，然后将图像中每个像素的灰度值与这个阈值相比较。并根据比较的结果将对应的像素划分为两类，灰度值大于阈值的像素划分为一类，小于阈值的划分为另一类，等于阈值的可任意划分到两类中的任何一类。 最常用的模型可描述如下：假设图像由具有单峰灰度分布的目标和背景组成，处于目标和背景内部相邻像素间的灰度值是高度相关的，但处于目标和背景交界处两边的像素灰度值有较大差别，此时，图像的灰度直方图基本上可看作是由分别对应于目标和背景的两个单峰直方图混合构成。而且这两个分布应大小接近，且均值足够远，方差足够小，这种情况下直方图呈现较明显的双峰。类似地，如果图像中包含多个单峰灰度目标，则直方图可能呈现较明显的多峰。 上述图像模型只是理想情况，有时图像中目标和背景的灰度值有部分交错。这时如用全局阈值进行分割必然会产生一定的误差。分割误差包括将目标分为背景和将背景分为目标两大类。实际应用中应尽量减小错误分割的概率，常用的一种方法为选取最优阈值。这里所谓的最优阈值，就是指能使误分割概率最小的分割阈值。图像的直方图可以看成是对灰度值概率分布密度函数的一种近似。如一幅图像中只包含目标和背景两类灰度区域，那么直方图所代表的灰度值概率密度函数可以表示为目标和背景两类灰度值概率密度函数的加权和。如果概率密度函数形式已知，就有可能计算出使目标和背景两类误分割概率最小的最优阈值。 假设目标与背景两类像素值均服从正态分布且混有加性高斯噪声，上述分类问题可以使用模式识别中的最小错分概率贝叶斯分类器来解决。以1p 与2p 分别表示目标与背景的灰度分布概率密度函数，1P 与2P 分别表示两类的先验概率，则图像的混合概率密度函数可用下式表示为
实验一、基于感知函数准则线性分类器设计 1.1 实验类型： 设计型：线性分类器设计（感知函数准则） 1.2 实验目的： 本实验旨在让同学理解感知准则函数的原理，通过软件编程模拟线性分类器，理解感知函数准则的确定过程，掌握梯度下降算法求增广权向量，进一步深刻认识线性分类器。 1.3 实验条件： matlab 软件 1.4 实验原理： 感知准则函数是五十年代由Rosenblatt 提出的一种自学习判别函数生成方法，由于Rosenblatt 企图将其用于脑模型感知器，因此被称为感知准则函数。其特点是随意确定的判别函数初始值，在对样本分类训练过程中逐步修正直至最终确定。 感知准则函数利用梯度下降算法求增广权向量的做法，可简单叙述为： 任意给定一向量初始值)1(a ，第k+1次迭代时的权向量)1(+k a 等于第k 次的权向量)(k a 加上被错分类的所有样本之和与k ρ的乘积。可以证明，对于线性可分的样本集，经过有限次修正，一定可以找到一个解向量a ，即算法能在有限步内收敛。其收敛速度的快慢取决于初始权向量)1(a 和系数k ρ。 1.5 实验内容 已知有两个样本空间w1和w2，这些点对应的横纵坐标的分布情况是： x1=[1,2,4,1,5];y1=[2,1,-1,-3,-3]; x2=[-2.5,-2.5,-1.5,-4,-5,-3];y2=[1,-1,5,1,-4,0]; 在二维空间样本分布图形如下所示：（plot(x1,y1,x2,y2)）
-6-4-20246 -6-4 -2 2 4 6w1 w2 1.6 实验任务： 1、 用matlab 完成感知准则函数确定程序的设计。 2、 请确定sample=[(0,-3),(1,3),(-1,5),(-1,1),(0.5,6),(-3,-1),(2,-1),(0,1), (1,1),(-0.5,-0.5),( 0.5,-0.5)];属于哪个样本空间,根据数据画出分类的结果。 3、 请分析一下k ρ和)1(a 对于感知函数准则确定的影响，并确定当k ρ=1/2/3时，相应 的k 的值，以及)1(a 不同时，k 值得变化情况。 4、 根据实验结果请说明感知准则函数是否是唯一的，为什么？
在校证明 ，男，年月日出生于，身份证号：，护照号：；班号，学号：，于年月入学，现就读于我校材料与化学学院材料化学专业（本科）。按照国家标准该专业本科学制为四年，目前该生属于我校学生，处于在校学习的第年。。 地址：湖北省武汉市鲁磨路388号邮编：430074 电话:+86-027-******** 传真:+86-027-******** Email:cugxb@https://www.doczj.com/doc/7e8324614.html, 中国地质大学（武汉）材料与化学学院 证明人： 联系方式： 系中国地质大学（武汉）材料与化学学院本科级辅导员 签字： 中国地质大学（武汉）学工处 2016年5月1日
Certificate This is to certify that,male, born in, ID No：，Passport:；Class：,Student ID: , has been enrolled as an undergraduate student since, and is majoring in the program of Materials Chemistry in Institute of Materials and Chemistry. The program is a standardfour-year program. According to the China University of Geosciences (Wuhan), The student is currently studying in the year. Address: No. 388 LumoRoad,Wuhan, P.R. China Postcode: 430074 Tel:+86-027-******** Fax:+86-027-******** Email:cugxb@https://www.doczj.com/doc/7e8324614.html, Institute of Materials and ChemistryOf China University of Geosciences (Wuhan) Certifier： Phone Number: Undergraduate student counselors of level 2013 Signature ofCertifier: Office of Academic Affairs China University of Geosciences (Wuhan) Date: May1st, 2016
《文献检索》实验指导书 刘军安编写 适用专业：机械类各专业 总学时：24~32学时 实验学时：6~14 机械设计与制造教研室 2014. 3
一、课程总实验目的与任务 《文献检索》课程实验是机械学院机械类专业的选修课的实验。通过实验内容与过程,主要培养学生在信息数字化、网络化存储环境下信息组织与检索的原理、技术和方法，以及在数字图书馆系统和数字信息服务系统中检索专业知识的能力，辅助提高21世纪大学生人文素质。通过实验，使学生对信息检索的概念及发展、检索语言、检索策略、检索方法、检索算法、信息检索技术、网络信息检索原理、搜索引擎、信息检索系统的结构、信息检索系统的使用、信息检索系统评价以及所检索信息的分析等技术有一个全面熟悉和掌握。本实验主要培养和考核学生对信息检索基本原理、方法、技术的掌握和知识创新过程中对知识的检索与融合能力。实验主要侧重于培养学生对本专业技术原理和前言知识的信息检索能力，引导学生应理论联系实际，同时要了解本专业科技信息的最新进展和研究动态与走向。 二、实验内容 通过课程的学习，结合老师给出的检索主题，学生应该完成以下内容的实验： 实验一：图书馆专业图书检索（印刷版图书） 实验二：中文科技期刊信息检索 实验三：科技文献数据库信息检索 实验四：网络科技信息检索（含报纸和网络） 文献检索参考主题： 1.工业工程方向： 工业工程；工业工程师的素质、精神、修养、气质与能力；工业工程的本质；企业文化与工业工程；战略工程管理；工程哲学；创新管理；生产管理；品质管理；优化管理或管理的优化；零库存；敏捷制造；敏捷管理；（优秀的、现代的、或未来的）管理哲学；生产管理七大工具；质量管理；设备管理；基础管理；现场管理；六西格玛管理；生产线平衡；工程经济；系统哲学；系统管理；柔性制造；看板管理；工程心理学；管理心理学；激励管理；管理中的真、善、美（或假、恶、丑）；工程哲学；工业工程中的责任；安全管理；优化调度；系统工程；系统管理与过程控制；设计哲学；智能管理；工业工程中的数学；智能工业工程，或工业工程的智能化；生态工程管理；绿色工业工程，或绿色管理；协同学与协同管理；工业工程中的协同；概念工程与概念管理；工业工程与蝴蝶效应；管理中的蝴蝶效应，等等…… 2.机械电子工程方向： CAD；CAM；CAE；CAPP；PDM；EPR；CIMS；VD；VM；FMS；PLC；协同设计；协同制造；概念设计；自底向上；自顶向下；智能设计；智能制造；智能材料；特种加工(线切割、电火花、激光加工、电化学加工、超声波加工、光刻技术、快速成型、反求工程)；微机械；精密加工；精密制造；机电一体化；自动化；控制论；线性控制；非线性控制；混沌控制；模糊控制；人工智能；神经网络；纳米技术；纳米制造；机器人；智能机器人；传感器；智能传感器；自动化生产线；机械手；智能机械手；自动检测；数据采集；信号处理；信息识别、模式识别等等……
武汉科技大学学生奖学金评定管理办法 第一章总则 第一条为了鼓励学生刻苦学习，促进德、智、体全面发展，成为合格的社会主义建设者和可靠接班人，根据国家教育部和湖北省教育厅有关精神，制定本暂行办法。 第二条奖学金来源 （一）从每年所收取的学费中提取10%用于设立学校奖学基金； （二）企业和社会团体设立的专门用于奖励学生的奖励基金； （三）由国家或省政府专项设置的奖学金。 第三条奖学金种类 （一）优秀学生奖学金和优秀毕业生奖学金； （二）单项奖学金； （三）企业和社会团体设立的奖学金； （四）国家奖学金、国家励志奖学金、省政府奖学金等。第四条奖学金评定范围 凡正式取得我校学籍且业已按时注册的全日制普通本、专科（含高职）生均可按条件参加奖学金的评定。 第二章优秀学生奖学金 第五条优秀学生奖学金的等级标准和评定比例 特等奖学金3000元／人·年，占学生总数的1%； 一等奖学金1500元／人·年，占学生总数的3%； 二等奖学金1000元／人·年，占学生总数的7%； 三等奖学金800元／人·年，占学生总数的12%； 优秀毕业生奖学金1000元/人，占毕业生总数的15%。 第六条获得优秀学生奖学金和优秀毕业生奖学金的基本条件 （一）政治素质可靠：遵守宪法和法律，坚持四项基本原则，拥护党的路线、方针和政策，关心国家大事，政治上积极要求上进，无偏激言行； （二）思想品德优秀：思想健康，品行端正，举止文明，讲究社会公德，为人正直诚实守信，自觉遵守大学生守则和学校各项规章制度； （三）学习成绩优良：热爱所学专业，学习态度端正，遵守学习纪律，勤奋学习，成绩优良，具体标准由各学院根据本院情况制定，报学校备案后执行； （四）综合表现突出，在同学中能起模范带头作用，关心集体、积极支持、参与社会工作，积极参加校、院、班组织开展的各项活动及社会实践活动，团结同学，乐于助人，尊敬老师，具有良好的群众基础，综合表现受到师生的公认和好评； （五）身心健康，有良好的生活习惯，情趣高雅，无不良嗜好；注重锻炼身体，积极参加课余文化体育活动； （六）在政治思想、道德品质、精神文明、社会工作、社会活动以及科技、学术、文艺、体育等活动中有突出表现，获得师生公认、社会好评的可酌情放宽学习成绩条件优先考虑或特殊考虑。 第七条有下列情况之一者，取消评定奖学金资格： （一）触犯国家法律，受到法律制裁者； （二）不服从学校教育管理，违犯校纪校规，受到过通报批评或校、院行政及党、团组织警告以上（含警告）处分者； （三）一学年所获得的学分少于等于30分者 （四）学习成绩不突出，有课程重修（补考）或平均学分绩点（学习成绩）在专业排名居于后1/2范围的；
概念形成 简介： 概念是人脑反映事物本质属性的思维形式。个体掌握一类事物本质属性的过程，就是概念形成的过程。实验室中为了研究概念形成的过程，常使用人工概念。 制造人工概念时先确定一个或几个属性作为分类标准，但并不告诉被试，只是将材料交给被试，请其分类。在此过程中，反馈给被试是对还是错。通过这种方法，被试可以发现主试的分类标准，从而学会正确分类，即掌握了这个人工概念。通过人工概念的研究，可以了解概念形成的过程。一般来讲，被试都是经过概括-假设-验证的循环来达到概念形成的。 叶克斯复杂选择器可用来制造人工概念。本实验模拟叶克斯复杂选择器来研究简单空间位置关系概念的形成。 方法与程序： 本实验共有4个人工概念，难度顺次增加，被试可以任选其中1个。 实验时，屏幕上会出现十二个圆键，有空心和实心两种。其中只有一个实心圆与声音相联系，此键出现的相对位置是有规律的，被试要去发现其中的规律（概念），找到这个键。被试用鼠标点击相应的实心圆，如果没有发生任何变化，表明选择错误；如果有声音呈现，同时该圆变为红色，则表明选择正确。只有选择正确，才能继续下一试次。当连续三次第一遍点击就找对了位置时，就认为被试已形成了该人工概念，实验即结束。如果被试在60个试次内不能形成正确概念，实验自动终止。 结果与讨论： 结果文件第一行是被试达到标准所用的遍数（不包括连续第一次就对的三遍）。其后的结果分三列印出：第一列是遍数；第二列为每遍中反应错的次数，如为0则表示这一遍第一次就做对了；第三列表示这一遍所用的时间，以毫秒为单位。 根据结果试说明被试概念形成的过程。 交叉参考：思维策略 参考文献： 杨博民主编心理实验纲要北京大学出版社 319-321页
中国地质大学（武汉）五大院系及2009-2011年分省录取分数统计 一、地学院 07060地质学基地班 1995年经原国家教委批准，地质学专业成为全国4个地质学理科基础科学研究和教学人才培养基地之一，重点培养地球科学领域高层次、研究型人才。学校对“基地班”制定了特殊的优惠政策，如高额奖学金、专用计算机室、享有研究生同等标准的图书阅览等待遇。其课程体系包括自然科学、地球科学、人文科学三大部分，重视培养外语、计算机应用能力和扎实的自然科学基础和专业基础。基地班人才培养目标定位于创新型、研究型，毕业生将有90%左右进入高等院校和科研机构深造。通过硕士和博士的培养，为高等学校和科研单位输送高层次研究型人才。理科基地实行分流—补进的动态优秀人才选拔模式，补进时在全校范围内择优选拔。 0706地质学类（地质学、地球化学、资源环境与城乡规划管理） 本专业学生掌握地质学的野外工作技能、物质成分分析测试技术及基本的地球科学实验和鉴定技术，学习地球化学、环境科学、资源环境与城乡规划科学等方面的基本理论和基本知识。具备从事构造地质、岩石矿物、地层与古生物学方面的基础理论研究、掌握环境及地球化学、环境监测与环境质量评价、资源环境规划管理的原理、方法和技能。面向地矿、能源、环境、国土等行业的教育、科研和生产部门培养研究型、应用型人才。 070601地质学（地质调查，工科培养，面向行业就业） 本专业学生具备地质学基础理论、数理基础、计算机与外语实用技能及科学素养和创新意识。毕业生能成为科研机构、地勘部门从事区域地质调查的专门人才，适应21世纪地球科学发展和国家在资源、环境、灾害、国土规划以及国民经济其它相关领域对地质学人才的需要。 二、资源学院 0801地矿类（资源勘查工程基地班） 1996年经国土资源部（原地矿部）批准创办资源勘查工程基地班，是为适应地球科学发展和实现全球找矿战略需要，探索培养适应国外、国内两个市场的宽口径外向型、复合型人才而开设的；是我国地质工科面向现代化、国际化高级工
华南理工大学《模式识别》大作业报告 题目：模式识别导论实验 学院计算机科学与工程 专业计算机科学与技术（全英创新班） 学生姓名黄炜杰 学生学号201230590051 指导教师吴斯 课程编号145143 课程学分2分 起始日期2015年5月18日
实验概述 【实验目的及要求】 Purpose: Develop classifiers,which take input features and predict the labels. Requirement: ?Include explanations about why you choose the specific approaches. ?If your classifier includes any parameter that can be adjusted,please report the effectiveness of the parameter on the final classification result. ?In evaluating the results of your classifiers,please compute the precision and recall values of your classifier. ?Partition the dataset into2folds and conduct a cross-validation procedure in measuring the performance. ?Make sure to use figures and tables to summarize your results and clarify your presentation. 【实验环境】 Operating system:window8(64bit) IDE:Matlab R2012b Programming language:Matlab
精品文档 第一章： 1、什么是自然地理学？ 自然地理学是用系统的、综合的额、区域联系的观点与方法去去审视和研究人类赖以生存的地球表层自然环境的组成、结构、区域分异特征、形成与变化规律，从而对其进行评估、预测、规划、管理、优化、调控的学科。 2、自然地理学研究哪些内容？ 自然地理是以人类赖以生存的地球表层自然系统的区域特征与空间分布、变化规律为研究对象。 3、地理学的二级学科有哪些？ 地理学的二级学科有自然地理学和人文地理学。 4、自然地理学有哪些特点？ 自然地理学的特点有：综合性、区域性、环境性、系统性。 大气圈： 1、大气成分按浓度怎么分类？ 按浓度，大气成分可分为：主要成分，N、O、Ar，约占99.96%；微量成分，浓度在22-3-3mL/L10及惰性气体；痕量成分浓度在、H、NHSOmL/L以上，有CO、水汽、CH、、10CO44222以下，有HS、O、NO、HO。23222、大气层从下到上的分层。 大气层从下到上分为对流层、平流层、中间层、暖层、逸散层。 3、对流层的主要特征有哪些？ 对流层的主要特征有：1、气温虽高度的升高而降低；2、空气对流运动显著；3、天气现象复杂多变，对人类生产生活影响最强烈的圈层；4、受地面影响最大最直接的圈层。 4、水汽的主要分布范围。 大气中的水汽在1.5~2km高度上减少为地面的一半，到5km的高度减少为地面的1/10，因此几乎全部集中在近地面12km以下的气层中。 5、大气运动的原动力？ 大气运动的原动力是气压梯度。 6、科氏力的基本特征有哪些？ 科氏力的特征有：1、只改变物体的运动方向，不改变物体的运动速度；2、作用方向总是与物体的运动方向垂直；3、大小与物体运动的线速度成正比；4、大小与纬度的正弦成正比，在赤道处为零，向两极地区逐步增大。 7、气旋与反气旋及他们控制下的天气。 在低压中心附近，大气由周围向中心集中，形成辐合，再加上地转偏向力的作用，就形成了气旋，气旋控制下大气在近地表空气向中心流动，进而向上空运动，传输水汽，容易形成降雨；在高压中心，空气向四周运动，形成辐散，在地转偏向力的作用下形成反气旋，在地表空气向四周流动，上层空气向下流动传输水汽，因此不易形成降雨天气。 8、辐合与辐散。 在低压中心附近，大气由周围向中心集中，形成辐合；在高压中心，空气向四周运动，形成辐散。 9、风、风级、风向、风玫瑰图。 空气的水平运动称为风，风级有蒲福风级的经验公式计算，风向指风的来向，风玫瑰图主要反映风向和级数。
《模式识别》实验报告 一、数据生成与绘图实验 1.高斯发生器。用均值为m，协方差矩阵为S 的高斯分布生成N个l 维向量。 设置均值 T m=-1,0 ?? ??，协方差为[1,1/2;1/2,1]； 代码： m=[-1;0]; S=[1,1/2;1/2,1]; mvnrnd(m,S,8) 结果显示： ans = -0.4623 3.3678 0.8339 3.3153 -3.2588 -2.2985 -0.1378 3.0594 -0.6812 0.7876 -2.3077 -0.7085 -1.4336 0.4022 -0.6574 -0.0062 2.高斯函数计算。编写一个计算已知向量x的高斯分布(m, s)值的Matlab函数。 均值与协方差与第一题相同，因此代码如下： x=[1;1]; z=1/((2*pi)^0.5*det(S)^0.5)*exp(-0.5*(x-m)'*inv(S)*(x-m)) 显示结果： z = 0.0623 3.由高斯分布类生成数据集。编写一个Matlab 函数，生成N 个l维向量数据集，它们是基于c个本体的高斯分布(mi , si )，对应先验概率Pi ,i= 1,……,c。 M文件如下： function [X,Y] = generate_gauss_classes(m,S,P,N) [r,c]=size(m); X=[]; Y=[]; for j=1:c t=mvnrnd(m(:,j),S(:,:,j),fix(P(j)*N)); X=[X t]; Y=[Y ones(1,fix(P(j)*N))*j]; end end
调用指令如下： m1=[1;1]; m2=[12;8]; m3=[16;1]; S1=[4,0;0,4]; S2=[4,0;0,4]; S3=[4,0;0,4]; m=[m1,m2,m3]; S(:,:,1)=S1; S(:,:,2)=S2; S(:,:,3)=S3; P=[1/3,1/3,1/3]; N=10; [X,Y] = generate_gauss_classes(m,S,P,N) 二、贝叶斯决策上机实验 1.(a)由均值向量m1=[1;1]，m2=[7;7]，m3=[15;1]，方差矩阵S 的正态分布形成三个等（先验）概率的类，再基于这三个类，生成并绘制一个N=1000 的二维向量的数据集。 (b)当类的先验概率定义为向量P =[0.6,0.3,0.1]，重复（a）。 (c)仔细分析每个类向量形成的聚类的形状、向量数量的特点及分布参数的影响。 M文件代码如下： function plotData(P) m1=[1;1]; S1=[12,0;0,1]; m2=[7;7]; S2=[8,3;3,2]; m3=[15;1]; S3=[2,0;0,2]; N=1000; r1=mvnrnd(m1,S1,fix(P(1)*N)); r2=mvnrnd(m2,S2,fix(P(2)*N)); r3=mvnrnd(m3,S3,fix(P(3)*N)); figure(1); plot(r1(:,1),r1(:,2),'r.'); hold on; plot(r2(:,1),r2(:,2),'g.'); hold on; plot(r3(:,1),r3(:,2),'b.'); end (a)调用指令： P=[1/3,1/3,1/3];
锅炉温度定值控制系统模式识别及仿真专业：电气工程及其自动化姓名：郭光普指导教师：马安仁 摘要本文首先简要介绍了锅炉内胆温度控制系统的控制原理和参数辨识的概念及切线近似法模式识别的基本原理，然后对该系统的温控曲线进行模式识别，而后着重介绍了用串级控制和Smith预估器设计一个新的温度控制系统，并在MATLAB的Simulink中搭建仿真模型进行仿真。 关键词温度控制，模式识别，串级控制，Smith预测控制 ABSTRACT This article first briefly introduced in the boiler the gallbladder temperature control system's control principle and the parameter identification concept and the tangent approximate method pattern recognition basic principle, then controls the curve to this system to carry on the pattern recognition warm, then emphatically introduced designs a new temperature control system with the cascade control and the Smith estimator, and carries on the simulation in the Simulink of MATLAB build simulation model. Key Words:Temperature control, Pattern recognition, Cascade control, Smith predictive control
实验1 图像的贝叶斯分类 1.1 实验目的 将模式识别方法与图像处理技术相结合，掌握利用最小错分概率贝叶斯分类器进行图像分类的基本方法，通过实验加深对基本概念的理解。 1.2 实验仪器设备及软件 HP D538、MATLAB 1.3 实验原理 1.3.1 基本原理 阈值化分割算法是计算机视觉中的常用算法，对灰度图象的阈值分割就是先确定一个处于图像灰度取值范围内的灰度阈值，然后将图像中每个像素的灰度值与这个阈值相比较。并根据比较的结果将对应的像素划分为两类，灰度值大于阈值的像素划分为一类，小于阈值的划分为另一类，等于阈值的可任意划分到两类中的任何一类。此过程中，确定阈值是分割的关键。 对一般的图像进行分割处理通常对图像的灰度分布有一定的假设，或者说是基于一定的图像模型。最常用的模型可描述如下：假设图像由具有单峰灰度分布的目标和背景组成，处于目标和背景内部相邻像素间的灰度值是高度相关的，但处于目标和背景交界处两边的像素灰度值有较大差别，此时，图像的灰度直方图基本上可看作是由分别对应于目标和背景的两个单峰直方图混合构成。而且这两个分布应大小接近，且均值足够远，方差足够小，这种情况下直方图呈现较明显的双峰。类似地，如果图像中包含多个单峰灰度目标，则直方图可能呈现较明显的多峰。 上述图像模型只是理想情况，有时图像中目标和背景的灰度值有部分交错。这时如用全局阈值进行分割必然会产生一定的误差。分割误差包括将目标分为背
景和将背景分为目标两大类。实际应用中应尽量减小错误分割的概率，常用的一种方法为选取最优阈值。这里所谓的最优阈值，就是指能使误分割概率最小的分割阈值。图像的直方图可以看成是对灰度值概率分布密度函数的一种近似。如一幅图像中只包含目标和背景两类灰度区域，那么直方图所代表的灰度值概率密度函数可以表示为目标和背景两类灰度值概率密度函数的加权和。如果概率密度函数形式已知，就有可能计算出使目标和背景两类误分割概率最小的最优阈值。 假设目标与背景两类像素值均服从正态分布且混有加性高斯噪声，上述分类问题可以使用模式识别中的最小错分概率贝叶斯分类器来解决。以1p 与2p 分别表示目标与背景的灰度分布概率密度函数，1P 与2P 分别表示两类的先验概率，则图像的混合概率密度函数可用下式表示 1122()()()p x P p x P p x =+ 式中1p 和2p 分别为 212 1()21()x p x μσ--= 222()22()x p x μσ-- = 121P P += 1σ、2σ是针对背景和目标两类区域灰度均值1μ与2μ的标准差。若假定目标的灰 度较亮，其灰度均值为2μ，背景的灰度较暗，其灰度均值为1μ，因此有 12μμ< 现若规定一门限值T 对图像进行分割，势必会产生将目标划分为背景和将背景划分为目标这两类错误。通过适当选择阈值T ，可令这两类错误概率为最小，则该阈值T 即为最佳阈值。 把目标错分为背景的概率可表示为 12()()T E T p x dx -∞ =? 把背景错分为目标的概率可表示为
模式识别实验报告－年月
————————————————————————————————作者: ————————————————————————————————日期:
学院： 班级： 姓名： 学号： 2012年3月
实验一 Ｂay ｅｓ分类器的设计 一、 实验目的: 1. 对模式识别有一个初步的理解，能够根据自己的设计对贝叶斯决策理论算法有一个深刻地认识； 2． 理解二类分类器的设计原理。 二、 实验条件： 1． PC 微机一台和MA TL ＡB 软件。 三、 实验原理: 最小风险贝叶斯决策可按下列步骤进行: １. 在已知 ) (i P ω， )|(i X P ω,c i ,,1 =及给出待识别的X 的情况下,根据贝叶斯 公式计算出后验概率: ∑== c j j j i i i P X P P X P X P 1 ) ()|() ()|()|(ωωωωω c j ,,1 = ２. 利用计算出的后验概率及决策表，按下式计算出采取 i α决策的条件风险: ∑==c j j j i i X P X R 1) |(),()|(ωωαλα a i ,,1 = 3. 对2中得到的a 个条件风险值) |(X R i α（a i ,,1 =）进行比较，找出使条件 风险最小的决策k α,即: ) |(min )|(,,1X R X R k c i k αα ==, 则 k α就是最小风险贝叶斯决策。 四、 实验内容: （以下例为模板，自己输入实验数据） 假定某个局部区域细胞识别中正常（1ω)和非正常(2ω）两类先验概率分别为： 正常状态：)(1ωP =0.9; 异常状态：)(2ωP =０．１。
中国武汉人才市场、武汉科技大学2011届春季毕业生供需见面会 时间：2011年3月12日（周六）上午9:00 地点：武汉科技大学黄家湖校区北园体育馆 001圣士翻译 002聚鑫智能科技有限公司 电子、软件、机械或其他相关专业、市场营销相关专业、软件设计、人力资源、管理相关专业、播音专业、新闻类专、美术及相关计算机，工业设计专业 003武大吉奥信息技术有限公司 GIS、遥感或计算机相关专业、地理信息系统、计算机或相关专业、营销专业004武汉德能达科技有限公司 财务或会计相关专业，计算机或相关专业，电子、通信工程、营销，电子、自控、光电等相关专业 005武汉艾兰派尼时装有限公司 样衣模特、卖场导购、市场营销、市场督导（巡视员）、采购员、生产统计、电子商务、美工、仓库收发、主管会计、助理会计及出纳、总经理助理、行办文员006武汉海昌信息技术有限公司 计算机应用及相关专业、艺术设计或相关专业、市场营销及相关专业、管理类007武汉锦绣山庄 008武汉高雄大酒店 009武汉金华兴电脑系统集成有限公司 010世纪宏图不动产武汉福盛行房地产咨询公司 011新长征心理咨询中心 012武汉志远科技有限公司 国际贸易、市场营销、电子商务等相关专业、文员 013中南文武学校、振华实验中学 董事长、校长助理、外联公关、文秘、文员、财会、武术、散打、跆拳道、计算机、幼师、营销、物流、语、数、英、政、史、地、理、化、生等教师若干名014广州艾蒂妲化妆品有限公司 网络营销策划专员、程序员（研发人员）、财务 015武汉市联信小额贷款有限责任公司 016北京中企移讯信息技术有限公司武汉分公司 017武汉罗斯蒙特测控技术有限公司公司 018丰盈世纪地产武汉顾问有限公司 019“1＋2联合不动产集团武汉公司 020安博教育集团
《模式识别》实验报告题目：最小错误率贝叶斯决策
一、实验内容 1，实验原理 2，实验步骤 1）从iris.txt 文件（课程邮箱-文件中心）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； （2）求每类样本的协方差矩阵、逆矩阵以及协方差矩阵的行列式； （3）对三个类别，分别取每组剩下的 10个样本，每两组进行分类。由于每类样本都相等， 且每类选取用作训练的样本也相等，在每两组进行分类时，待分类样本的类
先验概率为0.5。 将各个样本代入判别函数既公式(5)，进行分类。 3，实验要求 （1）复习最小错误率贝叶斯决策原理，写出实验代码，实现对三类样本的分类； （2）计算分类的正确率，画出三维空间的样本分类图； （3）分析实验结果，完成实验报告。 二、实验代码 （1）， clear % 原始数据导入 iris=load('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 = 1:4 w1(i,j) = iris(i,j+1); end end sumx1 = sum(w1,1); for i=1:4 meanx1(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 end sumx2 = sum(w2,1); for i=1:4 meanx2(1,i)=sumx2(1,i)/N; end %求第三类样本均值
for i = 1:N for j = 1:4 w3(i,j) = iris(i+100,j+1); end end sumx3 = sum(w3,1); for i=1:4 meanx3(1,i)=sumx3(1,i)/N; end （2）， %求第一类样本协方差矩阵 z1(4,4) = 0; var1(4,4) = 0; for i=1:4 for j=1:4 for k=1:N z1(i,j)=z1(i,j)+(w1(k,i)-meanx1(1,i))*(w1(k,j)-meanx1(1,j)); end var1(i,j) = z1(i,j) / (N-1); end end %求第二类样本协方差矩阵 z2(4,4) = 0 ; var2(4,4) = 0; for i=1:4 for j=1:4 for k=1:N z2(i,j)=z2(i,j)+(w2(k,i)-meanx2(1,i))*(w2(k,j)-meanx2(1,j)); end ar2(i,j) = z2(i,j) / (N-1); end end %求第三类样本协方差矩阵 z3(4,4) = 0 ;
深圳大学研究生课程：模式识别理论与方法 课程作业实验报告 实验名称：Bayes Classifier 实验编号：proj02-01 姓名：汪长泉 学号：2100130303 规定提交日期：2010年10月20日 实际提交日期：2010年10月20日 摘要：在深入掌握多维高斯分布性质，贝叶斯分类的基础上，用计算机编程实现一个分类两类模式样本的贝叶斯分类器。用matlab编程，并分析了实验结果，得出贝叶斯分类的一般结论。
1. 贝叶斯分类器 贝叶斯分类器的分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。 1.1 两类情况 两类情况是多类情况的基础，多类情况往往是用多个两类情况解决的。 ① 用i ω,i =1, 2表示样本x （一般用列向量表示）所属的类别。 ② 假设先验概率()P ω1,()P ω2已知。(这个假设是合理的，因为如果先验概率未知，可以从训 练特征向量中估算出来，即如果N 是训练样本总数，其中有,N N 12个样本分别属于 2,1ωω，则相应的先验概率： ()/P N N ω≈11,2 ()/P N N ω≈2) ③ 假设（类）条件概率密度函数 (|),i p ωx i =1，2 已知，用来描述每一类中特征向量的分 布情况。如果类条件概率密度函数未知，则可以从可用的训练数据中估计出来。 1.2贝叶斯判别方法 贝叶斯分类规则描述为： 如果2(|)(|)P ωP ω>1x x ,则x ∈1ω 如果2(|)(|)P ωP ω<1x x ,则x ∈2ω （2-1-1） 贝叶斯分类规则就是看x ∈ω1的可能性大，还是x ∈2ω的可能性大。(|)i P ωx ， i =1,2解释为当样本x 出现时，后验概率(|)P ω1x 和(|)P ω2x 的大小从而判别为属于 1ω或属于2ω类。 1.3三种概率的关系――――贝叶斯公式 ()() (|)= () i i i p |P P p ωωωx x x （2-1-3） 其中，()p x 是x 的概率密度函数（全概率密度），它等于所有可能的类概率密度函数乘以相应的先验概率之和。 ()(|)()i i i p p P ωω==∑2 1 x x