H a r b i n I n s t i t u t e o f T e c h n o l o g y 单片机原理与应用 实验报告 学生姓名： 学号： 班级： 专业： 任课教师： 所在单位： 2013年5月
软件实验 在软件实验部分，通过实验程序的调试，使学生熟悉MCS-51的指令系统，了解程序设计过程，掌握汇编语言设计方法以及如何使用实验系统提供的调试手段来排除程序错误。 实验一清零程序 一、实验目的 掌握汇编语言设计和调试方法，熟悉键盘操作。 二、实验内容 把2000~20FFh的内容清零。 三、程序框图 四、实验过程 实验中利用MOVX语句，将外部存储器指定内容清零。利用数据指针DPTR完成数据传送工作。程序采用用循环结构完成，R0移动单元的个数，可用CJNE比较语句判断循环是否结束。 五、实验结果及分析 清零前清零后
【问题回答】清零前2000H~20FFH中为内存里的随机数，清零后全变为0。 六、实验源程序 AJMP MAIN ORG 0640H MAIN: MOV R0, #00H MOV DPL, #00H MOV DPH, #20H LOOP: MOV A, #00H MOVX @DPTR, A INC DPTR INC R0 CJNE R0, #0FFH, LOOP MOVX @DPTR, A END 实验二拆字程序 一、实验目的 掌握汇编语言设计和调试方法。 二、实验内容 把2000h的内容拆开，高位送2001h低位，低位送2002h低位，2001h、2002h高位清零，一般本程序用于把数据送显示缓冲区时用。 三、程序框图 四、实验过程 将寄存器中内容送入2000H，分别将高低四位移到低位，将高四位置零然后移入2001H 和2002H中。利用MOVX语句、DPTR指针可实现数据的传送，利用高低四位交换语句SWAP和与语句ANL可进行对高低位的清零。
北京科技大学计算机与通信工程学院 模式分类第二次上机实验报告 姓名：XXXXXX 学号：00000000 班级：电信11 时间：2014-04-16
一、实验目的 1．掌握支持向量机（SVM）的原理、核函数类型选择以及核参数选择原则等； 二、实验内容 2.准备好数据，首先要把数据转换成Libsvm软件包要求的数据格式为： label index1:value1 index2:value2 ... 其中对于分类来说label为类标识，指定数据的种类；对于回归来说label为目标值。（我主要要用到回归） Index是从1开始的自然数，value是每一维的特征值。 该过程可以自己使用excel或者编写程序来完成，也可以使用网络上的FormatDataLibsvm.xls来完成。FormatDataLibsvm.xls使用说明： 先将数据按照下列格式存放（注意label放最后面）： value1 value2 label value1 value2 label 然后将以上数据粘贴到FormatDataLibsvm.xls中的最左上角单元格，接着工具->宏执行行FormatDataToLibsvm宏。就可以得到libsvm要求的数据格式。将该数据存放到文本文件中进行下一步的处理。 3.对数据进行归一化。 该过程要用到libsvm软件包中的svm-scale.exe Svm-scale用法： 用法：svmscale [-l lower] [-u upper] [-y y_lower y_upper] [-s save_filename] [-r restore_filename] filename （缺省值：lower = -1，upper = 1，没有对y进行缩放）其中，-l：数据下限标记；lower：缩放后数据下限；-u：数据上限标记；upper：缩放后数据上限；-y：是否对目标值同时进行缩放；y_lower为下限值，y_upper为上限值；（回归需要对目标进行缩放，因此该参数可以设定为–y -1 1 ）-s save_filename：表示将缩放的规则保存为文件save_filename；-r restore_filename：表示将缩放规则文件restore_filename载入后按此缩放；filename：待缩放的数据文件（要求满足前面所述的格式）。缩放规则文件可以用文本浏览器打开，看到其格式为： y lower upper min max x lower upper index1 min1 max1 index2 min2 max2 其中的lower 与upper 与使用时所设置的lower 与upper 含义相同；index 表示特征序号；min 转换前该特征的最小值；max 转换前该特征的最大值。数据集的缩放结果在此情况下通过DOS窗口输出，当然也可以通过DOS的文件重定向符号“>”将结果另存为指定的文件。该文件中的参数可用于最后面对目标值的反归一化。反归一化的公式为： （Value-lower）*（max-min）/(upper - lower)+lower 其中value为归一化后的值，其他参数与前面介绍的相同。 建议将训练数据集与测试数据集放在同一个文本文件中一起归一化，然后再将归一化结果分成训练集和测试集。 4.训练数据，生成模型。 用法：svmtrain [options] training_set_file [model_file] 其中，options（操作参数）：可用的选项即表示的涵义如下所示-s svm类型：设置SVM 类型，默
中国传媒大学2014~2015 学年第 1 学期 智能视频分析技术课程 题目人工智能在模式识别中的运用学生姓名刘晶晶 学号201110013208 班级数字媒体技术 学生所属学院信息工程学院 任课教师吕朝辉 教师所属学院信息工程学院 时间2014.11.27
人工智能在模式识别中的应用 摘要 计算机硬件的迅速发展，计算机应用领域的不断开拓，迫切地要求计算机能够更有效地感知诸如声音、文字、图像、温度、震动等人类赖以发展自身、改造环境所运用的信息资料。但就一般意义来说，目前一般计算机却无法直接感知它们，键盘、鼠标等外部设备，对于这样五花八门的外部世界显得无能为力。纵然电视摄像机、图文扫描仪、话筒等设备业已解决了上述非电信号的转换，并与计算机联机，但由于识别技术不高，而未能使计算机真正知道采录后的究竟是什么信息。计算机对外部世界感知能力的低下，成为开拓计算机应用的瓶颈，也与其高超的运算能力形成强烈的对比。于是，着眼于拓宽计算机的应用领域，提高其感知外部信息能力的学科——模式识别，便得到迅速发展。人工智能所研究的模式识别是指用计算机代替人类或帮助人类感知模式，是对人类感知外界功能的模拟，研究的是计算机模式识别系统，也就是使一个计算机系统具有模拟人类通过感官接受外界信息、识别和理解周围环境的感知能力。现将人工智能在模式识别方面的一些具体和最新的应用列举如下。 关键词：人工智能、模式识别、应用 （一）人工智能 人工智能(Anificial InteUigence)是相对人的自然智能而言，即用人工的方法和技术，模仿、延伸和扩展人的智能，实现某些“机器思维”。作为一门学科，人工智能研究智能行为的计算模型，研制具有感知、推理、学习、联想、决策等思维活动的计算系统，解决需要人类专家才能处理的复杂问题。人工智能就其本质而言，是对人的思维的信息过程的模拟。 （二）模式识别 模式识别就是通过计算机用数学技术方法来研究模式的自动处理和判读。这里，我们把环境与客体统称为“模式”，随着计算机技术的发展，人类有可能研究复杂的信息处理过程。用计算机实现模式(文字、声音、人物、物体等)的自动识别，是开发智能机器的一个最关键的突破口，也为人类认识自身智能提供线索。信息处理过程的一个重要形式是生命体对环境及客体的识别。对人类来说，特别重要的是对光学信息(通过视觉器官来获得)和声学信息(通过听觉器官来获得)的识别。这是模式识别的两个重要
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
计算机网络课程实验报告 实验5：利用Ethereal分析TCP、UDP、ICMP协议 继续学习Ethereal的使用； 利用Ethereal分析TCP、UDP和ICMP协议。 TCP协议采用了哪些机制保证可靠数据传输。（3分） 数据重传和数据确认应答机制 Traceroute的工作过程，用自己的话来描述，200字以内，超过酌情扣分。 （4分） 构造数据包，来检查到达一个主机时经过了哪些路由。主机发送给目的地址的数据包的TTL是从1逐个递增的，而数据包每到达一个路由器，它的TTL值就会减1，当TTL减到0时，该数据包被取消，传回一个数据包给主机，我们就能捕获这个路由器的IP地址了。如果收到"超时错"，表示刚刚到达的是路由器，而如果收到的是"端口不可达" 错误，表示刚刚到达的就是目的主机，路由跟踪完成，程序结束。 阐述一下为什么应用程序开发者会选择将应用程序运行在UDP而不是TCP 之上？（3分） UDP没有拥塞控制机制，发送方可以以任何速率向下层注入数据。很多实时应用是
可以容忍一定的数据丢失的，同时又对速率有很高要求（比如在线视频播放），这时开发者会倾向选择UDP协议，避免使用TCP协议的拥塞控制机制产生的分组开销。 实验过程： 使用Ethereal分析TCP协议: (15分)得分：抓取本机与https://www.doczj.com/doc/a81320166.html,/ethereal-labs/alice.txt通信过程中的网络数据包。根据操作思考以下问题： 客户服务器之间用于初始化TCP连接的TCP SYN报文段的序号（sequence number）是多少？在该报文段中，是用什么来标示该报文段是SYN报文段的？ Seq=0 Flags中的syn位为1，ack位为0，说明是syn报文段 服务器向客户端发送的SYNACK报文段序号是多少？该报文段中，Acknowledgement字段的值是多少？https://www.doczj.com/doc/a81320166.html,服务器是如何决定此值 的？在该报文段中，是用什么来标示该报文段是SYNACK报文段的？ Seq=0 Ack=1,服务器根据客户端发送的SYN报文的Seq值加一后得到此值 Flags中的Ack和Syn位都为1，所以是SYNACK报文
模式识别课程学习感想 人类可以通过视觉信息识别文字、图片和周围的环境，通过听觉信息识别与理解语言，比如识别人脸，阅读手写文字，通过气味识别一种水果的种类等。我们希望给机器相同的模式识别能力。 模式识别主要是研究对象的特征或属性，利用以计算机为中心的机器系统运用一定的分析算法认定对象的类别，系统应使分类识别的结果尽可能地与真实情况相符合。模式识别方法最大的实用性在于“智能”仿真，可以说在同常生活中随处可见，如医疗诊断系统、地球资源探测系统、机器人辅助生产线、公安人员用于破案的指纹识别系统等。模式识别包含由特征和属性所描述的对象的数学模型，这罩所讲的特征和属性是指通常意义上的系统的输入／输出数据对。 模式识别系统主要由两个过程组成，即设计过程和实现过程。设计过程是指用一定数量的样本(也称训练集或学习集)进行分类器的设计；实现过程是指用所设计的分类器对待识别的样本进行分类决策。 通过这门课程的学习，对各种模型的模式识别算法有了一定程度的了解。 一、线性模型 我们使用线性神经网络来解决线性模型的模式识别。线性神经网络与感知器的主要不同之处在于其神经元有一个线性激活函数，这允许输出可以是任意值，而不仅仅只是像感知器中那样只能取0或1。它采用的是W—H学习法则，也称最小均方差(LMS)规则对权值进行训练。线性神经网络的主要用途是线性逼近一个函数式而进行模式联想。 二、非线性模型 1、Ada-Boosting 基于级联结构的AdaBoost算法目前被认为是较有效的检测算法。 Boosting是一个将弱学习(weak learn)算法融合为强学习算法(strong)的方法。Ada-Boost 算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将每次训练得到的分类器最后融合起来，作为最后的决策分类器。目前在人脸侦测的领域，就有人将Ada-Boost + cascade 作为一个很有效的运算法。Boost是一种常用来增进learning algorithm正确率的方法。使用boost 分类器可以排除一些不必要的特征，并将关键放在关键的特征上面。 AdaBoost算法针对不同的训练集训练同一个基本分类器（弱分类器），然后把这些在不同训练集上得到的分类器集合起来，构成一个更强的最终的分类器（弱分类器）。理论证明，只要每个弱分类器分类能力比随机猜测要好，当其个数趋向于无穷个数时，强分类器的错误率将趋向于零。AdaBoost算法中不同的训练集是通过调整每个样本的权重实现的。最开始的时候，每个样本对应的权重是相同的，在此样本分布下训练出一个基本分类器h1(x)。对于h1(x)错分的样本，则增加其对应样本的权重；而对于正确分类的样本，则降低其权重。这样可以使得错分的样本突出出来，得到一个新的样本分布。同时，根据错分的情况赋予h1(x)一个权重，表示该基本分类器进行训练，得到基本分类器h2(x)及其权重。依次类推，经过T 次这样的循环，就得到了T个基本分类器，以及T个对应的权重。最后把这T个基本分类器按一定的权重累加起来，就得到了最终所期望的强分类器。 2、多层感知机 神经网络具有强大的非线性映射能力，人工神经网络的实际应用中，绝大部分的神经网
指导老师：马丽 学号：700 班级： 075111 姓名：刘建 成绩： 目录 ............................................................ 一、报告内容要点............................................................ 二、《应用主成分分解(PCA)法的图像融合技术》............................................................ 三、《基于类内加权平均值的模块 PCA 算法》............................................................
四、《PCA-LDA 算法在性别鉴别中的应用》 ............................................................ 五、《一种面向数据学习的快速PCA算法》 ............................................................ 六、《Theory of fractional covariance matrix and its applications in PCA and 2D-PCA》 ............................................................ 七、课程心得体会 ............................................................ 八、参考文献 ............................................................ 一、报告内容要点 ①每篇论文主要使用什么算法实现什么 ②论文有没有对算法做出改进（为什么改进，原算法存在什么问题，改进方法是什么） ③论文中做了什么对比试验，实验结论是什么？可以加入自己的分析和想法，例如这篇论文还存在什么问题或者缺点，这篇论文所作出的改进策略是否好，你自己对算法有没有什么改进的想法？ 二、《应用主成分分解(PCA)法的图像融合技术》 第一篇《应用主成分分解(PCA)法的图像融合技术》，作者主要是实现用PCA可以提取图像数据中主要成分这一特点，从元图像获得协方差矩阵的特征值和特征向量，据此确定图像融合算法中的加权系数和最终融合图像。 作者在图像融合的算法上进行改进，用PCA获得待融合的每幅图像的加权系数Wi。是这样实现的：计算待融合的i幅图像数据矩阵的协方差矩阵，从中获
Harbin Institute of Technology 天线原理实验报告 课程名称：天线原理 班级： 姓名： 学号： 同组人： 指导教师： 实验时间： 实验成绩： 注：本报告仅供参考 哈尔滨工业大学
一、实验目的 1. 掌握喇叭天线的原理。 2. 掌握天线方向图等电参数的意义。 3. 掌握天线测试方法。 二、实验原理 1. 天线电参数 (1).发射天线电参数 a.方向图：天线的辐射电磁场在固定距离上随空间角坐标分布的图形。 b.方向性系数：在相同辐射功率，相同距离情况下，天线在该方向上的辐射功率密度Smax与无方向性天线在该方向上的辐射功率密度S0之比值。 c.有效长度：在保持该天线最大辐射场强不变的条件下，假设天线上的电流均匀分布时的等效长度。 d.天线效率：表征天线将高频电流或导波能量转换为无线电波能量的有效程度。 e.天线增益：在相同输入功率、相同距离条件下，天线在最大辐射方向上的功率密度Smax与无方向性天线在该方向上的功率密度S0之比值。 f.输入阻抗：天线输入端呈现的阻抗值。 g.极化：天线的极化是指该天线在给定空间方向上远区无线电波的极化。 h.频带宽度：天线电参数保持在规定的技术要求范围内的工作频率范围。 (2).接收天线电参数:除了上述参数以外，接收天线还有一些特有的电参数：等效面积和等效噪声温度。 a.等效面积：天线的极化与来波极化匹配，且负载与天线阻抗共轭匹配的最佳状态下，天线在该方向上所接收的功率与入射电波功率密度之比。 b.等效噪声温度：描述天线向接收机输送噪声功率的参数。 2. 喇叭天线 由逐渐张开的波导构成，是一种应用广泛的微波天线。按口径形状可分为矩形喇叭天线与圆形喇叭天线等。波导终端开口原则上可构成波导辐射器，由于口径尺寸小，产生的波束过宽；另外，波导终端尺寸的突变除产生高次模外，反射较大，与波导匹配不良。为改善这种情况，可使波导尺寸加大，以便减少反射，又可在较大口径上使波束变窄。 (1).H面扇形喇叭：若保持矩形波导窄边尺寸不变，逐渐张开宽边可得H面扇
《计算机图形学》课程教学大纲 课程编号：S4030190 课程中文名称：计算机图形学 课程英文名称：Computer Graphics 总学时：30 讲课学时：20 实验学时：10 总学分：2 授课对象：计算机科学与技术专业、信息安全专业、生物信息技术专业 先修课程：高级语言程序设计，数据结构与算法 课程分类：专业课 开课单位：计算机科学与技术学院 一、课程教学目的 《计算机图形学》是计算机科学与技术专业本科教学中的一门重要的专业课。在计算机科学与技术专业的教学计划中占有重要地位和作用，其主要特点是理论与实践结合性强，是许多后续课程(如图像处理，模式识别，多媒体技术，虚拟现实，计算机视觉等)的基础课程，在CAD/CAM、（汽车、船舶、飞机的）外形设计、计算机动画、计算机艺术、过程控制、系统环境模拟、地理信息系统、科学计算的可视化等领域都有重要的应用。学习本课程旨在使学生掌握基本图形生成算法、图形变换与裁剪、真实感图形生成算法、计算机动画技术的基本原理，在此基础上，通过编写算法实现程序加深对图形学基本内容的理解，提高用理论指导实践的能力，为学生今后学习其他相关课程和从事计算机图形学及其应用方面的研究打下坚实基础。 二、教学内容及学时安排 1. 绪论(2学时) 计算机图形学的研究内容及其与相关学科的关系，计算机图形学的发展与应用 2. 图形输入输出设备(2学时) 交互式计算机图形处理系统的组成，图形输入设备，图形输出设备，图形显示原理，图形软件标准
3. 基本图形生成算法(4学时) 直线、圆弧的DDA生成算法、Bresenham生成算法，扫描线填充算法的基本原理，有序边表算法，边填充算法，种子填充算法的基本原理，简单的种子填充算法，扫描线种子填充算法 4. 图形变换与裁剪(6学时) 窗口视图变换，齐次坐标技术，二、三维图形几何变换，平行投影、透视投影变换，线段的Cohen-Sutherland裁剪、Liang-Basky裁剪算法，多边形的逐边裁剪、双边裁剪算法 5. 计算机动画(2学时) 传统动画与计算机动画，计算机动画中的常用技术，用flash制作简单的二维动画的方法 6. 高级计算机图形学快速浏览(4学时) 包括：自由曲线设计专题，几何造型与分形艺术专题，颜色科学及其应用专题，真实感图形显示专题 三、教学基本要求 1．课程基本要求 要求学生在学习完本课程以后，能对计算机图形学的研究内容及其应用方向有一个全面的认识和了解，了解计算机图形学的研究内容及其与相关学科的关系，了解计算机图形学在汽车、船舶、飞机的外形设计，以及计算机动画、计算机艺术、过程控制、系统环境模拟、虚拟现实等领域中的应用，掌握一些基本的图形生成算法(包括直线和圆弧的生成算法、区域填充算法、图形几何变换、投影变换，线段裁剪、多边形裁剪算法等)和图形显示原理，三维实体的基本表示方法、以及三维真实感图形显示的方法、常用的计算机动画技术等内容，为以后深入研究和从事相关领域的科研奠定基础。 2．实验基本要求 为了加深掌握常用的图形生成算法的基本原理，配合教学内容安排相应的实验，共10学时，以验证课堂的理论；进一步培养学生的动手能力、设计能力和解决问题的能力。 （1）编程实现一个基本图形生成算法（直线、圆弧生成算法，实区域填充算
信息与通信工程学院 模式识别实验报告 班级： 姓名： 学号： 日期：2011年12月
实验一、Bayes 分类器设计 一、实验目的： 1.对模式识别有一个初步的理解 2.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 3.理解二类分类器的设计原理 二、实验条件： matlab 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，i=1,…，c 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 i i i i i P X P P X P X P 1 ) ()() ()()(ωωωωω j=1,…，x 2)利用计算出的后验概率及决策表，按下面的公式计算出采取i a ,i=1,…，a 的条件风险 ∑== c j j j i i X P a X a R 1 )(),()(ωω λ,i=1,2,…,a 3)对(2)中得到的a 个条件风险值) (X a R i ,i=1,…，a 进行比较，找出使其条件风险最小的 决策k a ，即()() 1,min k i i a R a x R a x == 则 k a 就是最小风险贝叶斯决策。 四、实验内容 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：P （1ω）=； 异常状态：P （2ω）=。 现有一系列待观察的细胞，其观察值为x ： 已知先验概率是的曲线如下图：
)|(1ωx p )|(2ωx p 类条件概率分布正态分布分别为（-2，）（2,4）试对观察的结果 进行分类。 五、实验步骤： 1.用matlab 完成分类器的设计，说明文字程序相应语句，子程序有调用过程。 2.根据例子画出后验概率的分布曲线以及分类的结果示意图。 3.最小风险贝叶斯决策，决策表如下： 结果,并比较两个结果。 六、实验代码 1.最小错误率贝叶斯决策 x=[ ] pw1=; pw2=; e1=-2; a1=; e2=2;a2=2; m=numel(x); %得到待测细胞个数 pw1_x=zeros(1,m); %存放对w1的后验概率矩阵 pw2_x=zeros(1,m); %存放对w2的后验概率矩阵
计算机网络与通信实验报告（一）学号姓名班级报告日期 2015.04.15 实验内容网络常用命令的使用 实验目的1.熟悉网络命令的使用，例如ping，tracert，netstat，ipconfig等，对结果进行分析判断。 2.熟悉dns的层次查询，以及smtp协议。 实验预备知识结合实验报告相关知识以及老师课堂演示、笔记。 实验过程描述1.按照实验报告步骤所指，一步步熟悉ping tracert ipconfig 等网络命令，并对结果进行相应分析、截图。 2.Dns层次查询时，首先网上搜索全球13 个根域名服务器的ip，选择其中一个ip 对学校主页https://www.doczj.com/doc/a81320166.html, 进行层次分析，依次进行cn https://www.doczj.com/doc/a81320166.html, https://www.doczj.com/doc/a81320166.html, https://www.doczj.com/doc/a81320166.html, 的域名分析，最终得到主页ip，然后使用ping命令ping得主页ip 相比较，结果一致，查询成功。 3.熟悉掌握SMTP协议。Dos 命令下依次输入telnet相关命令，并使用事先转换成base64 的用户名、密码登陆邮箱。登陆成功后给自己的邮箱发送信息，最后退出。操作、邮箱截图如下。 实验结果见表格下方截图。 实验当中问题及解决方法1、telnet命令刚开始dos无法识别，属于不认识的命令。上网查询资料后，在控制面板中设置后成功解决。 2、熟悉SMTP协议时，telnet 登陆邮箱并发送信件，期间出现好多错误，比如单词拼写错误，指令错误。重复多次后最终成功实现。 成绩（教师打分）优秀良好及格不及格
实验相关截图 一、网络命令的使用 1.ping 命令
2.tracert 命令
实验一Bayes 分类器设计 本实验旨在让同学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，理解二类分类器的设计原理。 1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，i=1,…，c 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 i i i i i P X P P X P X P 1 ) ()() ()()(ωωωωω j=1,…，x (2)利用计算出的后验概率及决策表，按下面的公式计算出采取i a ,i=1,…，a 的条件风险 ∑== c j j j i i X P a X a R 1 )(),()(ωω λ,i=1,2,…,a (3)对(2)中得到的a 个条件风险值)(X a R i ,i=1,…，a 进行比较，找出使其条件风险最小的决策k a ，即 则k a 就是最小风险贝叶斯决策。 2实验内容 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：P （1ω）=0.9； 异常状态：P （2ω）=0.1。
现有一系列待观察的细胞，其观察值为x ： -3.9847 -3.5549 -1.2401 -0.9780 -0.7932 -2.8531 -2.7605 -3.7287 -3.5414 -2.2692 -3.4549 -3.0752 -3.9934 2.8792 -0.9780 0.7932 1.1882 3.0682 -1.5799 -1.4885 -0.7431 -0.4221 -1.1186 4.2532 已知类条件概率密度曲线如下图： )|(1ωx p )|(2ωx p 类条件概率分布正态分布分别为（-2，0.25）（2,4）试对观察的结果进 行分类。 3 实验要求 1) 用matlab 完成分类器的设计，要求程序相应语句有说明文字。 2) 根据例子画出后验概率的分布曲线以及分类的结果示意图。 3) 如果是最小风险贝叶斯决策，决策表如下：
模式识别理论与方法 课程作业实验报告 实验名称：Generating Pattern Classes 实验编号：Proj01-01 规定提交日期：2012年3月16日 实际提交日期：2012年3月13日 摘要： 在熟悉Matlab中相关产生随机数和随机向量的函数基础上，重点就多元(维)高斯分布情况进行了本次实验研究：以mvnrnd()函数为核心，由浅入深、由简到难地逐步实现了获得N 个d维c类模式集，并将任意指定的两个维数、按类分不同颜色进行二维投影绘图展示。 技术论述：
1，用矩阵表征各均值、协方差2，多维正态分布函数： 实验结果讨论：
从实验的过程和结果来看，进一步熟悉了多维高斯分布函数的性质和使用，基本达到了预期目的。 实验结果： 图形部分： 图1集合中的任意指定两个维度投影散点图形
图2集合中的任意指定两个维度投影散点图形，每类一种颜色 数据部分： Fa= 9.6483 5.5074 2.4839 5.72087.2769 4.8807 9.1065 4.1758 1.5420 6.1500 6.2567 4.1387 10.0206 3.5897 2.6956 6.1500 6.9009 4.0248 10.1862 5.2959 3.1518 5.22877.1401 3.1974 10.4976 4.9501 1.4253 5.58257.4102 4.9474 11.3841 4.5128 2.0714 5.90068.2228 4.4821 9.6409 5.43540.9810 6.2676 6.9863 4.2530 8.8512 5.2401 2.7416 6.5095 6.1853 4.8751 9.8849 5.8766 3.3881 5.7879 6.7070 6.6132 10.6845 4.8772 3.4440 6.0758 6.6633 3.5381 8.7478 3.3923 2.4628 6.1352 6.9258 3.3907
实验报告实验课程名称：模式识别 姓名：班级：学号：
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 ; 2015年4月 实验1 图像的贝叶斯分类 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。 实验仪器设备及软件 HP D538、MATLAB ( 实验原理 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 2()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，
实验一 2（1）（a） 程序语句： a=[-3 5 0 8;1 -8 2 -1;0 -5 9 3;-7 0 -4 5]; b=[0;2;-1;6]; inv(a)*b (b) 程序语句： a=[-3 5 0 8;1 -8 2 -1;0 -5 9 3;-7 0 -4 5]; b=[0;2;-1;6]; a\b (2)
4个矩阵的生成语句： e=eye(3,3); r=rand(3,2); o=zeros(2,3); s=diag([1,2]);%此为一个任取的2X2 矩阵 矩阵a 的生成语句： a=[e r;o s] 验证语句： a^2 b=[e r+r*s; o s^2]
（3）(a) 生成多项式的语句：poly ([2,-3,1+2i,1-2i,0,-6]) (b) 计算x＝0.8,-x=-1.2 之值的指令与结果： 指令：polyval([1,5,-9,-1,72,-180,0],0.8) 指令：polyval([1,5,-9,-1,72,-180,0],-1.2)
(4) 求a的指令与结果：指令：a=compan([1,0,-6,3,-8]) 求a的特征值的指令与结果：指令：eig(a) roots(p)的指令与结果为： 指令：roots([1,0,-6,3,-8])
结论：利用友元阵函数a=company(p) 和eig(a) 可以与roots(p)有相同的作用，结果相同。 (5) 作图指令： x=0:0.01:1.5; y=[x.^2;x.^3;x.^4;x.^5]; plot (x,y) 作图指令： x=0:0.01:10; y1=x.^2; y2=x.^3; y3=x.^4; y4=x.^5; subplot(2,2,1),plot (x,y1),title('x^2') subplot(2,2,2),plot (x,y2),title('x^3') subplot(2,2,3),plot (x,y3),title('x^4') subplot(2,2,4),plot (x,y4),title('x^5')
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。
哈工大物理实验报告总结 这是一篇由网络搜集整理的关于哈工大物理实验报告总结的文档，希望对你能有帮助。 1．了解数码照相的基本原理、基本结构及一些重要概念； 2．学习数码相机的基本操作； 3．学习数码相机在科学技术照相中常用的一些高级功能。 二、实验原理 数码相机的原理结构：主要是利用CCD/CMOS传感器的感光功能，将来自被拍摄物体的光线通过 光学镜头成像于光电转换器CCD（或CMOS）的感光面上。经由CCD直接输出的是模拟信号，由A/D转换 器转换成数字信号，经数字信号处理器DSP的处理，将图像保存到存储器中。 原理光路（在图上标出：光阑直径、进光面积、成象面积各量） 光圈（光圈指数）：光圈是限制光束通过的结构。光圈能改变能光口径，控制通光量。光圈指数是衡 量光圈大小的参数，数值越小表示光圈的孔径越大，所对应成像面的亮度就越大；反之，数值越大，表 示光圈的.孔径越小，所对应成像面的亮度就越小。 H=Et 快门速度（时间）：决定曝光时间，速度越快则曝光时间越短。
景深：拍摄有前后纵深的景物时，远景不同的景物在CCD上能够清晰成像的范围。 3.成像曝光量H与光圈指数F及快门开启时间t间的关系：光圈指数越大，快门开启时间越久，则 2曝光量越大；反之，光圈指数越小，快门开启时间越短，则曝光量越小。即H∝（1/F）t 三、照片及分析评价 项目一 拍照模式：自动ISO：500（自动产生）快门：1／30（自动）光圈：4.5（自动）白平衡：Auto，0 曝光补偿：±0.0 评议：画面较暗，曝光量不足、颜色偏黄，白平衡调节不当、画面不够清晰，聚焦不准，可能是操作不当。在此场景下全自动拍摄结果不尽人意。 项目二 拍照模式：P ISO：HI-1 快门：1／125（自动）光圈：5.6白平衡：Auto，0 曝光补偿：±0.0 拍照模式：P ISO：HI-1 快门：1／125（自动）光圈：5.6白平衡：白炽灯曝光补偿：±0.0 评议：白平衡为白炽灯时效果更自然，白平衡自动时背景失真。 项目三 拍照模式：A ISO：200 快门：1／3（自动）光圈：9 白平衡：阳光曝光补偿：±0.0 拍照模式：A ISO：200 快门：1／3（自动）光圈：9 白平衡：阳光曝
实验报告 实验课程名称：模式识别 ：王宇班级：20110813 学号：2011081325 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围的灰度阈值，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