一、实验原理
实验数据：IRIS 数据。分为三种类型，每种类型中包括50个思维的向量。 实验模型：假设IRIS 数据是正态分布的。
实验准备：在每种类型中，选择部分向量作为训练样本，估计未知的均值和方差的参数。 实验方法：最小错误判别准则；最小风险判别准则。 实验原理：
1.贝叶斯公式
已知共有M 类别M i i ,2,1,=ω，统计分布为正态分布，已知先验概率)(i P ω及类条件概率密度函数)|(i X P ω，对于待测样品，贝叶斯公式可以计算出该样品分属各类别的概率，叫做后验概率；看X 属于哪个类的可能性最大，就把X 归于可能性最大的那个类，后验概率即为识别对象归属的依据。贝叶斯公式为
M i P X P P X P X P M
j j
j
i i i ,2,1,)
()|()
()|()|(1
==
∑=ωωωωω
该公式体现了先验概率、类条件概率、后验概率三者的关系。
其中，类条件概率密度函数)|(i X P ω为正态密度函数，用大量样本对其中未知参数进行估计，多维正态密度函数为
)]()(21exp[)2(1
)(1
2/12
/μμπ---=
-X S X S
X P T n 式中，),,(21n x x x X =为n 维向量；
),,(21n μμμμ =为n 维均值向量；
]))([(T
X X E S μμ--=为n 维协方差矩阵； 1
-S
是S 的逆矩阵；
S 是S 的行列式。
大多数情况下，类条件密度可以采用多维变量的正态密度函数来模拟。
)]}()(21exp[)2(1ln{)|()
(1)(2/12
/i i X X S X X S X P i T i
n i ωωπω---=- i i T S n X X S X X i i ln 2
12ln 2)()(21)(1
)(-----
=-πωω )(i X ω为i ω类的均值向量。
2.最小错误判别准则
① 两类问题
有两种形式，似然比形式：
???∈???
?<>=2
11221)()
()|()|()(ωωωωωωX P P X P X P X l 其中，)(X l 为似然比，
)
()
(12ωωP P 为似然比阈值。 对数形式：
???∈?-???<>
-2
11221)(ln )(ln )|(ln )|(ln ωωωωωωX P P X P X P
② 多类问题
本实验采取针对多累问题的解决方法。在待测向量X 的条件下，看哪个类的概率最大，应该把X 归于概率最大的那个类。因此，可以通过比较各个判别函数来确定X 的类型。
M i X X P P X P P i j j M
j i i ,2,1,)}|()({max )|()(1=∈?=≤≤ωωωωω
对数形式为：
M i X X P P X P P i j j M
j i i ,2,1,)}|(ln )({ln max )|(ln )(ln 1=∈?+=+≤≤ωωωωω
所以此时正态分布的贝叶斯分类器判别函数为
)()]}()(21exp[)2(1ln{)()|(ln )()
(1)(2/12
/i i T i
n i i i P X X S X X S P X P X h i i ωπωωωω---==-)(ln ln 2
12ln 2)()(21)(1
)(i i i T P S n X X S X X i i ωπωω+-----=-
3.最小风险判别准则
对观测值X 条件下，各状态后验概率求加权和的方式，表示风险如下：
∑==M
j j i X P j i L X R 1
)|(),()(ω
其中，),(j i L 为将第j 类判为第i 类的损失。若判对i=j ，则),(j i L 取负值或零值，表示没有损失；若判对i ≠j ，则),(j i L 取正值，数值大小表示损失多少。
对得到的M 个类型的风险值M i X R i ,2,1),(=进行比较，得到使条件风险最小的类别，判别X 属于该类别。
二、实验过程
实验环境：MA TLAB R2009a
1.将txt格式下的IRIS数据导入实验环境中。实验中设计了对话框，可直接选择存放该文件的路径并导入。
clear;
%从irisdatas.txt读取数据%
[filename,filepath]=uigetfile('*.txt','导入数据');
file = [filepath filename];
fid = fopen(file); %弹出对话框，选择录入的文件
if fid == -1
('打开数据出错！')
end
2.将读入的数据进行逐行录入，按行录入在1*150的数组iris中，每一个元素中包含一个四维向量。
%逐行存入数组iris中%
linenum=1;
while 1
tline = fgetl(fid); %读第一行
if ~ischar(tline), break, end%下一行为空时跳出循环
iris{linenum} = sscanf(tline, '%f');%读取数据，存数组iris中
linenum=linenum+1;
end
3.通过计算，分别估计出三类的统计特征值，即正态分布的两个重要参数均值μ和方差2
σ。
∑===50
1
)()(i i x x E μ，]))([(T X X E S μμ--=。以下程序段为第一类特征值求取过程，第
二、三类相似，实验中，取第偶数个向量为训练样本。
%估计第一类iris 数据的统计特征% sum=0; for j=1:1:4
for i=1:2:50 yangben1=iris{i}; sum=sum+yangben1(j,1); end
mean1(j,1)=sum/25;%mean1是第一类数据的期望 sum=0; end
sigema=0; for i=1:2:50
sigema=sigema+(iris{i}-mean1)*(iris{i}-mean1)'; end
sigema1=sigema/25;%sigema1为第一类数据的协方差矩阵
4.已经估计出三类数据的统计特征。首先使用最小错误判别准则进行分类，实验中采用对数形式计算，假设三种类型的先验概率相等，即均为1/3，在某一X下得到的三个后验概率的函数。比较三个值的大小，哪个最大，就可判断X属于哪一类。最后进行了分类器判据结果的验证。
%对150组数据进行分类，并验证结果的正确性%
for i=1:1:150
x=iris{i};
%分别代入三个后验概率函数中%
h1=-0.5*(x-mean1)'*inv(sigema1)*(x-mean1)-2*log(2*pi)-0.5*log(d et(sigema1))+log(1/3);
h2=-0.5*(x-mean2)'*inv(sigema2)*(x-mean2)-2*log(2*pi)-0.5*log(d et(sigema2))+log(1/3);
h3=-0.5*(x-mean3)'*inv(sigema3)*(x-mean3)-2*log(2*pi)-0.5*log(d et(sigema3))+log(1/3);
h(1)=h1;
h(2)=h2;
h(3)=h3;
%比较三个数据的大小，并判断属于哪一类%
max=h(1);
class=1;
for j=1:1:3
if h(j)>max
max=h(j);
class=j;
end
end
%对分类器决策的结果进行验证并输出结果%
if (i<=50 & class~=1) | (i>50 & i<=100 & class~=2) | (i>100 & class~=3)
fprintf('对于“判断第%d个数据属于第%d类”的分类是错误的！\n',i,class);
else
fprintf('判断第%d个数据属于第%d类\n',i,class);
end
end
5.再使用最小风险判别准则进行分类，实验中扔采用对数形式计算，假设三种类型的先验概率相等，即均为1/3。设计出风险参数矩阵L，该数据可根据实际损失的情况需要进行修改。将X代入得到三个数值，哪个最小，即为风险最小，便属于该类型。最后同样进行了判别结构的验证。
%对150组数据进行分类，并验证结果的正确性%
hw1=log(1/3);hw2=log(1/3);hw3=log(1/3);%三个类型的先验函数相等
L=[0,1,1;
1,0,1;
1,1,0];%设计风险参数矩阵，可根据损失多少进行改变
for i=1:1:150
x=iris{i};
%先计算先验概率%
hxw1=-0.5*(x-mean1)'*inv(sigema1)*(x-mean1)-2*log(2*pi)-0.5*log (det(sigema1));
hxw2=-0.5*(x-mean2)'*inv(sigema2)*(x-mean2)-2*log(2*pi)-0.5*log (det(sigema2));
hxw3=-0.5*(x-mean3)'*inv(sigema3)*(x-mean3)-2*log(2*pi)-0.5*log (det(sigema3));
%再计算含有风险因子的后验概率%
r(1)=L(1,1)*(hxw1+hw1)+L(1,2)*(hxw2+hw2)+L(1,3)*(hxw3+hw3);
r(2)=L(2,1)*(hxw1+hw1)+L(2,2)*(hxw2+hw2)+L(2,3)*(hxw3+hw3);
r(3)=L(3,1)*(hxw1+hw1)+L(3,2)*(hxw2+hw2)+L(3,3)*(hxw3+hw3);
%比较三类风险大小，属于风险最小的那一类%
min=r(1);
class=1;
for j=1:1:3
if r(j) min=r(j); class=j; end end %验证分类结果的正确性% if (i<=50 & class~=1) | (i>50 & i<=100 & class~=2) | (i>100 & class~=3) fprintf('对于“判断第%d个数据属于第%d类”的分类是错误的！ \n',i,class); else fprintf('判断第%d个数据属于第%d类\n',i,class); end end 三、实验结果与分析 1.最小错误判别准则 判断第1个数据属于第1类判断第2个数据属于第1类判断第3个数据属于第1类判断第4个数据属于第1类判断第5个数据属于第1类判断第6个数据属于第1类判断第7个数据属于第1类判断第8个数据属于第1类判断第9个数据属于第1类判断第10个数据属于第1类判断第11个数据属于第1类判断第12个数据属于第1类判断第13个数据属于第1类判断第14个数据属于第1类判断第15个数据属于第1类判断第16个数据属于第1类判断第17个数据属于第1类判断第18个数据属于第1类判断第19个数据属于第1类判断第20个数据属于第1类判断第21个数据属于第1类判断第22个数据属于第1类判断第23个数据属于第1类判断第24个数据属于第1类判断第25个数据属于第1类判断第26个数据属于第1类判断第27个数据属于第1类判断第28个数据属于第1类判断第29个数据属于第1类判断第30个数据属于第1类判断第31个数据属于第1类判断第32个数据属于第1类判断第33个数据属于第1类判断第34个数据属于第1类判断第35个数据属于第1类判断第36个数据属于第1类判断第37个数据属于第1类 判断第38个数据属于第1类 判断第39个数据属于第1类 判断第40个数据属于第1类 判断第41个数据属于第1类 判断第42个数据属于第1类 判断第43个数据属于第1类 判断第44个数据属于第1类 判断第45个数据属于第1类 判断第46个数据属于第1类 判断第47个数据属于第1类 判断第48个数据属于第1类 判断第49个数据属于第1类 判断第50个数据属于第1类 判断第51个数据属于第2类 判断第52个数据属于第2类 判断第53个数据属于第2类 判断第54个数据属于第2类 判断第55个数据属于第2类 判断第56个数据属于第2类 判断第57个数据属于第2类 判断第58个数据属于第2类 判断第59个数据属于第2类 判断第60个数据属于第2类 判断第61个数据属于第2类 判断第62个数据属于第2类 判断第63个数据属于第2类 判断第64个数据属于第2类 判断第65个数据属于第2类 判断第66个数据属于第2类 判断第67个数据属于第2类 判断第68个数据属于第2类 判断第69个数据属于第2类 判断第70个数据属于第2类 对于“判断第71个数据属于第3类”的分类是错误的！ 判断第72个数据属于第2类 判断第73个数据属于第2类 判断第74个数据属于第2类 判断第75个数据属于第2类 判断第76个数据属于第2类 判断第77个数据属于第2类 判断第78个数据属于第2类 判断第79个数据属于第2类 判断第80个数据属于第2类 判断第81个数据属于第2类 判断第82个数据属于第2类 判断第83个数据属于第2类 对于“判断第84个数据属于第3类”的分类是错误的！ 判断第85个数据属于第2类 判断第86个数据属于第2类 判断第87个数据属于第2类 判断第88个数据属于第2类 判断第89个数据属于第2类 判断第90个数据属于第2类 判断第91个数据属于第2类 判断第92个数据属于第2类 判断第93个数据属于第2类 判断第94个数据属于第2类 判断第95个数据属于第2类 判断第96个数据属于第2类 判断第97个数据属于第2类 判断第98个数据属于第2类 判断第99个数据属于第2类 判断第100个数据属于第2类 判断第101个数据属于第3类 判断第102个数据属于第3类 判断第103个数据属于第3类 判断第104个数据属于第3类 判断第105个数据属于第3类 判断第106个数据属于第3类 判断第107个数据属于第3类 判断第108个数据属于第3类 判断第109个数据属于第3类 判断第110个数据属于第3类 判断第111个数据属于第3类 判断第112个数据属于第3类 判断第113个数据属于第3类 判断第114个数据属于第3类 判断第115个数据属于第3类 判断第116个数据属于第3类 判断第117个数据属于第3类 判断第118个数据属于第3类 判断第119个数据属于第3类 判断第120个数据属于第3类 判断第121个数据属于第3类 判断第122个数据属于第3类 判断第123个数据属于第3类 判断第124个数据属于第3类 判断第125个数据属于第3类 判断第126个数据属于第3类 判断第127个数据属于第3类 判断第128个数据属于第3类 判断第129个数据属于第3类 判断第130个数据属于第3类 判断第131个数据属于第3类 对于“判断第132个数据属于第2类”的分类是错误的！ 判断第133个数据属于第3类 对于“判断第134个数据属于第2类”的分类是错误的！ 判断第135个数据属于第3类 判断第136个数据属于第3类 判断第137个数据属于第3类 判断第138个数据属于第3类 判断第139个数据属于第3类 判断第140个数据属于第3类 判断第141个数据属于第3类 判断第142个数据属于第3类 判断第143个数据属于第3类 判断第144个数据属于第3类 判断第145个数据属于第3类 判断第146个数据属于第3类 判断第147个数据属于第3类 判断第148个数据属于第3类 判断第149个数据属于第3类 判断第150个数据属于第3类 第一类中没有出现判决错误，第二、三类中出现了个别的错误，分类正确率较高，如果要提高正确率，可以选取更多的样本进行训练。在实际应用中，先验概率的确定也是比较重要的，会在一定程度上影响结果。从数据txt 文件中，查询出错的数据，发现其本身和组内其他数据差异也较大，被判错的可能性也比较高。 2.最小风险判别准则 ① 设计风险因子矩阵L 规则如下： ? ??≠==j i j i j i ,1,0),(L 得到的识别结果同第一种方法相同，即如上所示的三张图。 例如在计算第一类风险时，按此规则，∑== M j j i X P j i L X R 1 )|(),()(ω 改写为 )|()|()(321X P X P X R ωω+= 当不发生判错时，0)(1=X R ，0)|()|(32==X P X P ωω，)|(1X P ω为最大，判为第一类，和最小错误判别准则一致；当发生判错时，0)(1≠X R ，0)|(2≠X P ω或0)|(3≠X P ω， )|(1X P ω不是最大值，该X 不被判为第一类，和最小错误判别准则一致。因此，在这种设 计规则下，两种方法一致。 ② 根据需要可以改变风险因子矩阵L ，当判错第j 类为第i 类损失较大时，设计),(L j i 去较大的值。从最小错误判别准则的实验中可以看到，有两个第二类数据判为第三类，两个第三类数据判为第二类，因此将)2,3(L )3,2(L ，略增大一点，使损失变大，以减少这样的错误。 设计?? ?? ??????=0102.1.3101110 L 时，得到如下结果： 判断第2个数据属于第1类判断第3个数据属于第1类判断第4个数据属于第1类判断第5个数据属于第1类判断第6个数据属于第1类判断第7个数据属于第1类判断第8个数据属于第1类判断第9个数据属于第1类判断第10个数据属于第1类判断第11个数据属于第1类判断第12个数据属于第1类判断第13个数据属于第1类判断第14个数据属于第1类判断第15个数据属于第1类判断第16个数据属于第1类判断第17个数据属于第1类判断第18个数据属于第1类判断第19个数据属于第1类判断第20个数据属于第1类判断第21个数据属于第1类判断第22个数据属于第1类判断第23个数据属于第1类判断第24个数据属于第1类判断第25个数据属于第1类判断第26个数据属于第1类判断第27个数据属于第1类判断第28个数据属于第1类判断第29个数据属于第1类判断第30个数据属于第1类判断第31个数据属于第1类判断第32个数据属于第1类判断第33个数据属于第1类判断第34个数据属于第1类判断第35个数据属于第1类判断第36个数据属于第1类判断第37个数据属于第1类判断第38个数据属于第1类判断第39个数据属于第1类判断第40个数据属于第1类判断第42个数据属于第1类 判断第43个数据属于第1类 判断第44个数据属于第1类 判断第45个数据属于第1类 判断第46个数据属于第1类 判断第47个数据属于第1类 判断第48个数据属于第1类 判断第49个数据属于第1类 判断第50个数据属于第1类 判断第51个数据属于第2类 判断第52个数据属于第2类 判断第53个数据属于第2类 判断第54个数据属于第2类 判断第55个数据属于第2类 判断第56个数据属于第2类 判断第57个数据属于第2类 判断第58个数据属于第2类 判断第59个数据属于第2类 判断第60个数据属于第2类 判断第61个数据属于第2类 判断第62个数据属于第2类 判断第63个数据属于第2类 判断第64个数据属于第2类 判断第65个数据属于第2类 判断第66个数据属于第2类 判断第67个数据属于第2类 判断第68个数据属于第2类 判断第69个数据属于第2类 判断第70个数据属于第2类 判断第71个数据属于第2类√判断第72个数据属于第2类 判断第73个数据属于第2类 判断第74个数据属于第2类 判断第75个数据属于第2类 判断第76个数据属于第2类 判断第77个数据属于第2类 判断第78个数据属于第2类 判断第79个数据属于第2类 判断第80个数据属于第2类 判断第82个数据属于第2类 判断第83个数据属于第2类 对于“判断第84个数据属于第3类”的分类是错误的！ 判断第85个数据属于第2类 判断第86个数据属于第2类 判断第87个数据属于第2类 判断第88个数据属于第2类 判断第89个数据属于第2类 判断第90个数据属于第2类 判断第91个数据属于第2类 判断第92个数据属于第2类 判断第93个数据属于第2类 判断第94个数据属于第2类 判断第95个数据属于第2类 判断第96个数据属于第2类 判断第97个数据属于第2类 判断第98个数据属于第2类 判断第99个数据属于第2类 判断第100个数据属于第2类 判断第101个数据属于第3类 判断第102个数据属于第3类 判断第103个数据属于第3类 判断第104个数据属于第3类 判断第105个数据属于第3类 判断第106个数据属于第3类 判断第107个数据属于第3类 判断第108个数据属于第3类 判断第109个数据属于第3类 判断第110个数据属于第3类 判断第111个数据属于第3类 判断第112个数据属于第3类 判断第113个数据属于第3类 判断第114个数据属于第3类 判断第115个数据属于第3类 判断第116个数据属于第3类 判断第117个数据属于第3类 判断第118个数据属于第3类 判断第119个数据属于第3类 判断第121个数据属于第3类 判断第122个数据属于第3类 判断第123个数据属于第3类 判断第124个数据属于第3类 判断第125个数据属于第3类 判断第126个数据属于第3类 判断第127个数据属于第3类 判断第128个数据属于第3类 判断第129个数据属于第3类 判断第130个数据属于第3类 判断第131个数据属于第3类 判断第132个数据属于第3类√ 判断第133个数据属于第3类 对于“判断第134个数据属于第2类”的分类是错误的！ 判断第135个数据属于第3类 判断第136个数据属于第3类 判断第137个数据属于第3类 判断第138个数据属于第3类 判断第139个数据属于第3类 判断第140个数据属于第3类 判断第141个数据属于第3类 判断第142个数据属于第3类 判断第143个数据属于第3类 判断第144个数据属于第3类 判断第145个数据属于第3类 判断第146个数据属于第3类 判断第147个数据属于第3类 判断第148个数据属于第3类 判断第149个数据属于第3类 判断第150个数据属于第3类 可见，适当的调节风险因子，可以改善结果。在实际应用中，主要是针对犯某一类错误会造成严重损失时，增大相应的风险因子，来减少判错带来的风险。 四、实验总结 经过这次实验，对课堂学习的两种基于贝叶斯的分类判别方法，有了实际的操作和认识，并对于其中的阈值设置、参数估计、风险因子确定有了更真是深刻的体会，在今后的科研中，才能更好的运用所学知识，坚持理论联系实际。 中南大学考试试卷 2010-- 2011 学年 下 学期 总分100分，占总评成绩 70 % 时间110分钟 机械制造工艺学 课程 40 学时 2.5 学分 考试形式 闭 卷 专业班级： 学号： 姓名： 1、此页不作答题纸，请将答案写在答题纸上； 2、请在答题纸左上角用正楷字体写上任课老师的名字，交卷时按任课老师交卷。 一、填空题(每空1分，共30分) 1. 机械加工工艺规程的格式不尽相同，在大批大量生产中使用的工艺文件为（ ）。 2. 工件在机床上或夹具中装夹有三种主要的方法，即（ ）、（ ）和（ ）。 3. 某轴尺寸为Φ036 .0014.085.20++mm ，如将尺寸公差按“入体原则”标注，该轴尺寸为( )。 4. 在时间定额的组成中，( )和（ ）的总和称为操作时间。 5. 机器中最小的装配单元是（ ）。 6. 主轴回转轴线的运动误差可以分解为（ ）、（ ）和（ ）三种基本形式。 7. 在车床上车削轴类零件，采用双顶针定位，如果工艺系统中工件的刚度不足，则会产生（ ）误差；如果工艺系统中机床的刚度不足，则会产生（ ）误差。 8. 机械零件表面层金属硬度的变化可以用（ ）和（ ）两个指标来衡量。 9. 磨削淬火钢时，如果磨削区温度超过了相变温度，而磨削过程没有冷却液，零件表层金属将产生（ ）烧伤。 10. 表面强化工艺是指通过（ ）加工方法，使表层金属产生冷态塑性变形。 11. 零件的加工精度包含三方面的内容，即（ ）、（ ）和（ ）。 12. 保证产品装配精度的方法有（ ）、（ ）、（ ）和（ ）。 13. 精基准的选择原则有（ ）原则、（ ）原则、（ ）原则、自为基准原则和便于装夹原则。 14. 加工表面的几何形状误差包括表面粗糙度、（ ）、（ ）和（ ）。 操作系统上机题目 一、题目 实验1：LINUX/UNIX Shell部分 （一）系统基本命令 1．登陆系统，输入whoami 和pwd ，确定自己的登录名和当前目录； 登录名yuanye ，当前目录/home/yuanye 2．显示自己的注册目录?命令在哪里? a．键入echo $HOME，确认自己的主目录；主目录为/home/yuanye b．键入echo $PA TH，记下自己看到的目录表；/usr/local/sbin:/usr/local/bin:/usr/sbin:/usr/bin:/sbin:/bin:/usr/games c．键入which abcd，看看得到的错误信息； 再键入which ls 和which vi，对比刚刚得到的结果的目录是否在a．、b． 两题看到的目录表中； /bin/ls /usr/bin/vi 3．ls 和cd 的使用: a．键入ls，ls -l ，ls -a ，ls -al 四条命令，观察输出，说明四种不同使用方式的区别。 1. examples.desktop 公共的模板视频图片文档音乐桌面; 总计32 2.-rw-r--r-- 1 yuanye yuanye 357 2011-03-22 22:15 examples.desktop drwxr-xr-x 2 yuanye yuanye 4096 2011-03-22 23:25 公共的 drwxr-xr-x 2 yuanye yuanye 4096 2011-03-22 23:25 模板 drwxr-xr-x 2 yuanye yuanye 4096 2011-03-22 23:25 视频 drwxr-xr-x 2 yuanye yuanye 4096 2011-03-22 23:25 图片 drwxr-xr-x 2 yuanye yuanye 4096 2011-03-22 23:25 文档 drwxr-xr-x 2 yuanye yuanye 4096 2011-03-22 23:25 音乐 drwxr-xr-x 2 yuanye yuanye 4096 2011-03-22 23:25 桌面 3. . .fontconfig .local .Xauthority .. .gconf .mozilla .xsession-errors .bash_logout .gconfd .nautilus 公共的 .bashrc .gksu.lock .profile 模板 .cache .gnome2 .pulse 视频 .chewing .gnome2_private .pulse-cookie 图片 .config .gnupg .recently-used.xbel 文档 .dbus .gstreamer-0.10 .scim 音乐 .dmrc .gtk-bookmarks .sudo_as_admin_successful 桌面 .esd_auth .gvfs .update-manager-core 冶金设备学试卷九 中南大学考试试卷 200 年~200 年度第学期时间110 分钟 卷冶金设备学课程学时学分考试形式：开 专业班级：，总分100分占总分 % 一.有关冶金设备论文一篇（30分) 题目：自拟 内容：以各类冶金设备为主，题材自定 形式：正式发表论文的标准格式 二.简答题（每小题5分，共30分） 1.重油的燃烧包括哪些过程，怎样提高重油的燃烧效率？ 2.镁砖具有什么性质；为什么不能用水砌筑镁砖？ 3.离子交换树脂具有哪些性质？按活性基团的性质，离子交换树脂可分为哪几种类型。 4.湿法冶炼金属设备的腐蚀可分为几种形式，试举例说明。 5.铝电解槽有哪些类型，各有何特征？ 6.试述搅拌混合反应槽的类型和适用范围 三、计算题（共40分） 1.已知重力收尘器所处理的烟气中烟尘密度为4500kg/m3，降尘室内长为5m，宽为2m，高为2m；操作条件下气体流量为25000m3/h，气体密度为0.6kg/m3，粘度为3×10-5Pa·s，ξ0为20，试求能完全除去的最小烟尘颗粒的粒径。（5分） 2.已知发生炉煤气的干成分为：CO g29.8%，H2g15.4%，CH4g 3.08%，CO2g8.33%，O2g0.21%，N2g43.18%；当空气消耗系数n=1.2时，求： ⑴.30℃时，煤气的湿成分（3分）； ⑵.理论空气需要量和实际空气需要量（6分）； ⑶.燃烧产物生成量、成分和密度（6分）； ⑷.实际燃烧温度（5分）。 3.一种悬浮液含有直径为1.5×10-4m的球形颗粒，生成的滤饼是不可压缩的，其空隙率为0.55，水的粘度为10-3P，试求滤饼的比阻。（5分） 4.某恒压过滤设备的过滤面积为1m2，过滤10分钟时得滤液0.16m3，过滤15分钟时得滤液0.2m3，问最初过滤5分钟时得滤液多少m3。（10分） 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 实验（一） Windows 7基本操作 一、实验目的 1．掌握文件和文件夹基本操作。 2．掌握“资源管理器”和“计算机”基本操作。 二、实验要求 1.请将操作结果用Alt+Print Screen组合键截图粘贴在题目之后。 2．实验完成后，请将实验报告保存并提交。 三、实验内容 1．文件或文件夹的管理（提示：此题自行操作一遍即可，无需抓图）★期末机试必考题★ (1) 在D：盘根目录上创建一个名为“上机实验”的文件夹，在“上机实验”文件夹中创建1个名为“操作系统上机实验”的空白文件夹和2个分别名为“2.xlsx”和“3.pptx”的空白文件，在“操作系统上机实验”文件夹中创建一个名为“1.docx”的空白文件。 (2) 将“1.docx”改名为“介绍信.docx”；将“上机实验”改名为“作业”。 (3) 在“作业”文件夹中分别尝试选择一个文件、同时选择两个文件、一次同时选择所有文件和文件夹。 (4) 将“介绍信.docx”复制到C：盘根目录。 (5) 将D：盘根目录中的“作业”文件夹移动到C：盘根目录。 (6) 将“作业”文件夹中的“2.xlsx”文件删除放入“回收站”。 (7) 还原被删除的“2.xlsx”文件到原位置。 2．搜索文件或文件夹，要求如下： 查找C盘上所有以大写字母“A”开头，文件大小在10KB以上的文本文件。（提示：搜索时，可以使用“?”和“*”。“？”表示任意一个字符，“*”表示任意多个字符。） 3. 在桌面上为C：盘根目录下的“作业”文件夹创建一个桌面快捷方式。★期末机试必考题★ 3．“计算机”或“资源管理器”的使用 (1) 在“资源管理器”窗口，设置以详细信息方式显示C:\WINDOWS中所有文件和文件夹，使所有图标按类型排列显示，并不显示文件扩展名。（提示：三步操作全部做完后，将窗口中显示的最终设置结果抓一张图片即可） (2) 将C：盘根目录中“介绍信.docx”的文件属性设置为“只读”和“隐藏”，并设置在窗口中显示“隐藏属性”的文件或文件夹。（提示：请将“文件夹”对话框中选项设置效果与C：盘根目录中该文件图标呈现的半透明显示效果截取在一整张桌面图片中即可） 4．回收站的设置 设置删除文件后，不将其移入回收站中，而是直接彻底删除功能。 中南大学考试试卷带答案 2010 — 2011 学年上学期时间110分钟MATLAB程序设计与仿真课程 32 学时 2 学分考试形式：闭卷专业年级：电子信息工程2008级，总分100分，占总评成绩70% 一、填空题（本题42分，每空2分） 1．MATLAB中的显示所有内存变量的命令是：who ；清除内存变量的命令是：clear 。 2．在MA TLAB命令窗口中的“≥”标志表示MA TLAB处于准备状态。 3．把一个图形显示在一个图像窗口的m×n个子图像中的第p个位置的命令是subplot(m,n,p) 。 4．设A=reshape(1:9,3,3), 删除矩阵A的第7号元素后，A= 1 2 3 4 5 6 8 9 。 5.已知A=[1 2 3；4 5 0；7 8 9]；B=[1 0 3；1 5 0；0 1 2]；写出下列各指令运行的结果。 A+B ans=2 2 6;5 10 0;7 9 11 ； A.*B ans= 1 0 9;4 25 0;0 8 18 ； diag(A)/diag(B) ans= ； A(3)*B(4) ans= 0 。 6．假定变量A是5行4列的矩阵，则plot（A）将在图形窗口绘制 4 条折线。7．x=-2.65, 则fix(x)= -2 , floor(x)= -3 , ceil(x)= -2 。 8．假定将符号变量x,y定义“x=sym(…a?);y=sym(?5?); z=sym(?2?);”，则写出下列指令的运行结果： y+z ans= 7 ; x^z-y ans= a^2-5 ; 9．(超纲)MA TLAB中的读图像的函数是imread ；显示图像的函数是：imshow 。 10．MATLAB中，特殊变量…nargin?表示在函数体内判断输入变量个数；…nargout?表示在函数体内输出参数的个数。 ？11. 产生3行4列均值为1，方差为2的正态随机矩阵的命令是a=_____1+sqrt(2)*randn （3，4）_______。 12 w=[zeros(3,1) ,ones(1,3)?] 的结果是。 二、简答题（20,每题5分） 1. 用结构体矩阵来存储5名学生的基本情况数据，每名学生的数据包括学号、姓名、专业和5门课成绩？ 答：程序设计： 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 大连理工大学实验报告 学院（系）：专业：班级： 姓名：学号：组：___ 实验时间：实验室：实验台： 指导教师签字：成绩： 实验名称：进程控制 一、实验目的和要求 （1）进一步加强对进程概念的理解，明确进程和程序的区别 （2）进一步认识并发执行的实质 二、实验环境 在windows平台上，cygwin模拟UNIX运行环境 三、实验内容 （1） getpid()---获取进程的pid 每个进程都执行自己独立的程序，打印自己的pid； （2） getpid()---获取进程的pid 每个进程都执行自己独立的程序，打印自己的pid； 父进程打印两个子进程的pid; （3）写一个命令处理程序，能处理max(m,n), min(m,n)，average(m,n,l)这几个命令（使用exec函数族）。 Max函数 Min函数 Average函数 Exec函数族调用 四、程序代码 五、运行结果 六、实验结果与分析 七、体会 通过这次上机，我了解了fork函数的运行方法，同时更深刻的了解了进程的并行执行的本质，印证了在课堂上学习的理论知识。同时通过编写实验内容（3）的命令处理程序，学会了exec函数族工作原理和使用方法。通过这次上机实验让我加深了对课堂上学习的理论知识的理解，收获很多。 大连理工大学实验报告 学院（系）：专业：班级： 姓名：学号：组：___ 实验时间：实验室：实验台： 指导教师签字：成绩： 实验名称：进程通讯 一、实验目的和要求 了解和熟悉UNIX支持的共享存储区机制 二、实验环境 在windows平台上，cygwin模拟UNIX运行环境 三．实验内容 编写一段程序, 使其用共享存储区来实现两个进程之间的进程通讯。进程A创建一个长度为512字节的共享内存，并显示写入该共享内存的数据；进程B将共享内存附加到自己的地址空间，并向共享内存中写入数据。 四、程序代码 五、运行结果 六、实验结果与分析 七、体会 中南大学考试试卷(A)参考答案2010-2011 学年下学期期末考试试题时间100分钟 新闻英语课程 32 学时 2学分考试形式：闭卷 专业年级：非英语专业2009级总分100分，占总评成绩 70% Part I. Translation from English into Chinese 20% 1.亚太经济合作组织 2. 20国集团 3. 欧盟 4. 世界知识产权组织 5. 石油输出国组织 6. 世界贸易组织 7. 世界银行 8. 世界卫生组织 9. 国际货币基金组织10. 博鳌亚洲论坛 Part II. Translation from Chinese into English20% 1. pension insurance https://www.doczj.com/doc/f9950543.html,fortably-off level, well-off level ,well-to-do level 3. China hand 4. red-carpet welcome 5. corruption reporting center 6. economic sanction 7. housing reform 8. news conference 9. peace-keeping force 10. racial discrimination Part III. Blank filling 20% 1.powered 2. pumps 3. faced 4. irrigation 5. stream 6. square 7. average 8. per 9. traditional 10. fuels Part IV. Dictation20% Loneliness has been linked to depression and other health problems. Now, a study says it can also spread. A friend of a lonely person was fifty-two percent more likely to develop feelings of loneliness. And a friend of that friend was twenty-five percent more likely to do the same. Earlier findings showed that happiness, obesity and the ability to stop smoking can also spread like infections within social groups. The findings all come from a major health study in the American town of Framingham, Massachusetts. Part V. Short Answer Questions 20% 1. The World Health Organization 2. It shortens. 3. Sleeping sickness 4. The central nervous system 5. It kills. 操作系统上机实验报告 实验名称： 生产者与消费者问题模拟 实验目的： 通过模拟生产者消费者问题理解进程或线程之间的同步与互斥。 实验内容： 1、设计一个环形缓冲区，大小为10，生产者依次向其中写入1到20，每个缓冲区中存放一个数字，消费者从中依次读取数字。 2、相应的信号量； 3、生产者和消费者可按如下两种方式之一设计； (1)设计成两个进程； (2)设计成一个进程内的两个线程。 4、根据实验结果理解信号量的工作原理，进程或线程的同步\互斥关系。 实验步骤及分析： 一．管道 （一）管道定义 所谓管道，是指能够连接一个写进程和一个读进程的、并允许它们以生产者—消费者方式进行通信的一个共享文件，又称为pipe文件。由写进程从管道的写入端（句柄1）将数据写入管道，而读进程则从管道的读出端（句柄0）读出数据。（二）所涉及的系统调用 1、pipe( ) 建立一无名管道。 系统调用格式 pipe(filedes) 参数定义 int pipe(filedes); int filedes[2]; 其中，filedes[1]是写入端，filedes[0]是读出端。 该函数使用头文件如下： #include int read(fd,buf,nbyte); int fd; char *buf; unsigned nbyte; 3、write( ) 系统调用格式 read(fd,buf,nbyte) 功能：把nbyte 个字节的数据，从buf所指向的缓冲区写到由fd所指向的文件中。如文件加锁，暂停写入，直至开锁。 参数定义同read( )。 （三）参考程序 #include 中南大学考试试卷 20XX年第2学期,考试时间110分钟 人工智能课程48学时，3学分，考试形式：开卷 专业年级：计算机03级总分100分，占总评成绩70 % 注：此页不作答题纸，请将答案写在答题纸上 一、选择题（共20分，每题2分） 1、消解原理是一种用于 A、表达式变换的推理规则 B、变量运算的推理规则 C、一定的子句公式的推理规则 D 、规则演绎的推理规则 2、下列哪个系统属于新型专家系统？ A、多媒体专家系统 B、实时专家系统 C、军事专家系统 D、分布式专家系统 3、示例学习属于下列哪种学习方法？ A. 解释学习 B. 归纳学习 C. 类比学习 D. 机械学习 4、不属于神经网络常用学习算法的是： A.有师学习 B.增强学习 C.观察与发现学习 D.无师学习 5、人工智能应用研究的两个最重要最广泛领域为： A. 专家系统、自动规划 B. 专家系统、机器学习 C. 机器学习、智能控制 D. 机器学习、自然语言理解 6、下列搜索方法中不属于盲目搜索的是： A. 等代价搜索 B.宽度优先搜索 C.深度优先搜索 D.有序搜索 7、被认为是人工智能“元年”的时间应为： A、1948年 B、1946年 C、1956年 D、1961年 8、被誉为国际“人工智能之父”的是： A、图灵（Turing） B、费根鲍姆（Feigenbaum） C、傅京孙（K.S.Fu） D、尼尔逊（Nilsson） 9、语义网络的组成部分为： A、框架和弧线 B、状态和算符 C、节点和链 D、槽和值 10、尽管人工智能学术界出现“百家争鸣”的局面，但是，当前国际人工智能的主流派仍属于： A、连接主义 B、符号主义 C、行为主义 D、经验主义 二、填空题（共20分，每一填空处1分） 1、机器学习系统由____________、____________、____________和____________几部分构成。 2、人工智能是计算机科学中涉及研究、设计和应用____________的一个分支，它的近期目标在于研究用机器来____________的某些智力功能。 3、规则演绎系统根据推理方向可分为____________、____________以及____________等。 4、计算智能是人工智能研究的新内容，涉及____________、____________和____________等。 5、启发式搜索是一种利用____________信息的搜索，估价函数在搜索过程中起的作用是________________________。 6、模糊判决的常用方法有____________、____________、____________和____________等。 7、在与或图中，没有后裔的非终叶节点为不可解节点，那么含有或后继节点且后裔中至少有一个为可解的非终叶节点是____________，含有与后继节点且后裔中至少有一个为不可解的非终叶节点是____________。 三、回答下列问题（共60分） 1、（10分）当前人工智能有哪些学派？他们对人工智能在理论上有何不同观？ 2、（10分）请说明神经元的基本结构和前馈型神经网络的工作过程。 3、（10分）试说明产生式系统的基本结构，各部分的功能以及主要工作过程。 4、（10分）专家系统包括那些基本部份?每一部分的主要功能是什么? 5、（10分）某单位派遣出国人员，有赵、钱、孙三位候选人，经讨论后决定： （1）三人中至少派遣一人。 （2）如果赵去而钱不去，则一定派孙去。 （3）如果钱去，则一定派孙去。 求证：一定会派孙出国。 设用P(x)表示派x出国，zhao、qian、sun分别表示三人，将已知条件与目标用谓词公式正确的表示出来，并用消解反演进行证明。 6、（10分）对于八数码难题按下式定义估价函数： f(x)=d(x)+h(x) 其中，d(x)为节点x的深度；h(x)是所有棋子偏离目标位置的曼哈顿距离（棋子偏离目标位置的水平距离和垂直距离和），例如下图所示的初始状态S0：8的曼哈顿距离为2；2的曼哈顿距离为1；1的曼哈顿距离为1；6的曼哈顿距离为1；h(S0)= 5。 初始状态（S0） （ 1）用A*搜索法搜索目标，列出头三步搜索中的OPEN、CLOSED表的内容和当前扩展节点的f值。（2）画出搜索树和当前扩展节点的f值。 《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]; 中南大学考试试卷 2011年第2学期,考试时间110分钟 人工智能课程48学时，3学分，考试形式：开卷 专业年级：计算机11级总分100分，占总评成绩70 % 注：此页不作答题纸，请将答案写在答题纸上 一、选择题（共20分，每题2分） 1、消解原理是一种用于 A、表达式变换的推理规则 B、变量运算的推理规则 C、一定的子句公式的推理规则 D 、规则演绎的推理规则 2、下列哪个系统属于新型专家系统？ A、多媒体专家系统 B、实时专家系统 C、军事专家系统 D、分布式专家系统 3、示例学习属于下列哪种学习方法？ A. 解释学习 B. 归纳学习 C. 类比学习 D. 机械学习 4、不属于神经网络常用学习算法的是： A. 有师学习 B. 增强学习 C. 观察与发现学习 D. 无师学习 5、人工智能应用研究的两个最重要最广泛领域为： A. 专家系统、自动规划 B. 专家系统、机器学习 C. 机器学习、智能控制 D. 机器学习、自然语言理解 6、下列搜索方法中不属于盲目搜索的是： A. 等代价搜索 B. 宽度优先搜索 C. 深度优先搜索 D. 有序搜索 7、被认为是人工智能“元年”的时间应为： A、1948年 B、1946年 C、1956年 D、1961年 8、被誉为国际“人工智能之父”的是： A、图灵（Turing） B、费根鲍姆（Feigenbaum） C、傅京孙（K.S.Fu） D、尼尔逊（Nilsson） 9、语义网络的组成部分为： A、框架和弧线 B、状态和算符 C、节点和链 D、槽和值 10、尽管人工智能学术界出现“百家争鸣”的局面，但是，当前国际人工智能的主流派仍属于： 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 福州大学数学与计算机科学(软件)学院 实验报告 课程名称：计算机操作系统 学号：221100218 姓名： 专业：软件工程 年级：2011级 学期：2012学年第2学期 2013年10 月24 日 实验一 Linux操作系统的使用和分析 一、实验目的 本实验主要学习和掌握Linux操作系统的基本应用。通过本实验，学生能够熟练掌握Linux环境下各种基本操作命令接口的应用。从系统安全角度出发，学习掌握系统的基本安全优化和配置，在操作系统层次进行有效安全加固，提高Linux系统的安全性能。通过本次实验，有助于学生进一步理解操作系统原理中的相关内容，加深认识。 二、实验要求 1、熟练掌握Linux系统的基本操作命令。 2、熟悉Linux 系统的基本配置。 3、实现Linux系统的安全加固。 4、掌握一种以上的网络应用软件的安装、配置与应用。 三、实验内容 系统的启动，如图： 关闭使用shutdowm 还有列出文件夹内的信息ls，cp复制拷贝，touch创建文件命令等等 ①下载文件压缩包pro.gz，解压如图： ②然后修改安装路径： ③之后用make编译文件 ④在安装路径/home/liaoenrui/11里的etc中修改文件的组名和用户名： 将groud 命名也命名为ftp，然后用groudadd和useradd命令将这两个添加在该目录的sbin目录下： ⑤最后运行文件，./profile即可 四、实验总结 通过本次的操作系统的上机实验，我熟练了Linux系统的基本操作命令，并且对安装文件有更深入的了解，比如在上述安装过程中对于通过froftpd来架构linux的ftp，由于之前都是用window系统，所以对于这些非常的生疏，因此在请教了多人和上网查询之后，终于有所了解，并且成功的将此实验顺利完成。在本次实验中，我发现自己的动手能力又有很大的提高，相信以后继续努力的话会有更大的进步，当然这也要归功于老师的教导。 参考文献 [1] Neil Maththew Richard Stones Linux 程序设计第四版人民邮电出版社 [2] 周茜，赵明生.中文文本分类中的特征选择研究[J].中文信息学报,2003,Vol.18 No.3 《大学计算机基础》 上机实验报告 班级： 姓名： 学号： 授课教师： 日期：年月日 目录 一、Windows操作系统基本操作 ............................. - 1 - 二、Word文字处理基本操作 ................................ - 4 - 三、Excel电子表格基本操作 ............................... - 6 - 四、PowerPoint幻灯片基本操作 ............................ - 8 - 五、网页设计基本操作..................................... - 9 - 六、Access数据库基本操作 ............................... - 10 - 上机实验作业要求： ○1在实验报告纸上手写并粘贴实验结果； ○2每人将所有作业装订在一起（要包封面）； ○3全部上机实验结束后全班统一上交； ○4作业内容不得重复、输入的数据需要有差别。 实验名称一、Windows操作系统基本操作 实验目的1、掌握Windows的基本操作方法。 2、学会使用“画图”和PrntScr快捷键。 3、学会使用“计算器”和Word基本操作。 实验内容 1、日历标注 利用“画图”和Word软件，截取计算机上日历的图片并用文字、颜色、图框等标注出近期的节假日及其名称，并将结果显示保存在下面（参考下面样图）。 运行结果是： 主要操作步骤是： 2、科学计算 利用“计算器”和Word软件，计算下列题目，并将结果截图保存在下面（参考样图）。 ○1使用科学型计算器，求8!、sin(8)、90、74、20、67、39、400、50.23、ln(785)的平均值、和值，并用科学计数法显示。 运行结果是： ②将以下十、八、十六进制数转换为二进制数：(894.8125)10、(37.5)8、(2C.4B)16 运行结果是：（需要下载使用“唯美计算器”） ○3计算下列二进制数的加法与乘法：101.1+11.11；1101*1011 运行结果是：（参考样图） 写出主要操作步骤： 3、实验心得体会 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：中南大学考试试卷
操作系统上机实验报告(西电)
中南大学考试试卷
模式识别第二次上机实验报告
《 Windows7 操作系统》实验报告
中南大学考试试卷带答案
模式识别实验报告
操作系统上机实验报告
中南大学考试试卷(A)参考答案
操作系统实验报告生产者与消费者问题模拟
中南大学人工智能考试试卷及答案
《模式识别》实验报告
中南大学 人工智能考试试卷及答案
模式识别实验报告(一二)
操作系统实验报告18038
《大学计算机基础》上机实验报告
模式识别实验报告
相关主题
文本预览