下载文档原格式
一、填空与选择填空（本题答案写在此试卷上，30分）1、模式识别系统的基本构成单元包括：模式采集、特征提取与选择和模式分类。
2、统计模式识别中描述模式的方法一般使用特真矢量；句法模式识别中模式描述方法一般有串、树、网。
3、聚类分析算法属于（1）；判别域代数界面方程法属于（3）。
（1）无监督分类 (2)有监督分类（3）统计模式识别方法（4）句法模式识别方法4、若描述模式的特征量为0-1二值特征量，则一般采用（4）进行相似性度量。
（1）距离测度（2）模糊测度（3）相似测度（4）匹配测度5、下列函数可以作为聚类分析中的准则函数的有（1）（3）（4）。
（1）（2）(3)(4)6、线性判别函数的求解过程是将N维特征矢量投影在（2）中进行。
（1）二维空间（2）一维空间（3）1维空间7、下列判别域界面方程法中只适用于线性可分情况的算法有（1）；线性可分、不可分都适用的有（3）。
（1）感知器算法（2）算法（3）积累位势函数法8、下列四元组中满足文法定义的有（1）（2）（4）。
（1）({A, B}, {0, 1}, {A®01, A® 0A1 , A® 1A0 , B®, B® 0}, A)（2）({A}, {0, 1}, {A®0, A® 0A}, A)（3）({S}, {a, b}, {S ® 00S, S ® 11S, S ® 00, S ® 11}, S)（4）({A}, {0, 1}, {A®01, A® 0A1, A® 1A0}, A)二、(15分)简答及证明题（1）影响聚类结果的主要因素有那些？（2）证明马氏距离是平移不变的、非奇异线性变换不变的。
答：（1）分类准则，模式相似性测度，特征量的选择，量纲。
（2）证明：(2分)(2分) (1分)设，有非奇异线性变换：(1分)(4分)三、(8分)说明线性判别函数的正负和数值大小在分类中的意义并证明之。
大学模式识别考试题及答案详解Last revision on 21 December 2020一、填空与选择填空（本题答案写在此试卷上，30分）1、模式识别系统的基本构成单元包括：模式采集、特征提取与选择和模式分类。
2、统计模式识别中描述模式的方法一般使用特真矢量；句法模式识别中模式描述方法一般有串、树、网。
3、聚类分析算法属于（1）；判别域代数界面方程法属于（3）。
（1）无监督分类 (2)有监督分类（3）统计模式识别方法（4）句法模式识别方法4、若描述模式的特征量为0-1二值特征量，则一般采用（4）进行相似性度量。
（1）距离测度（2）模糊测度（3）相似测度（4）匹配测度5、下列函数可以作为聚类分析中的准则函数的有（1）（3）（4）。
（1）（2） (3)(4)6、Fisher线性判别函数的求解过程是将N维特征矢量投影在（2）中进行。
（1）二维空间（2）一维空间（3）N-1维空间7、下列判别域界面方程法中只适用于线性可分情况的算法有（1）；线性可分、不可分都适用的有（3）。
（1）感知器算法（2）H-K算法（3）积累位势函数法8、下列四元组中满足文法定义的有（1）（2）（4）。
（1）({A, B}, {0, 1}, {A01, A 0A1 , A 1A0 , B BA , B 0}, A)（2）({A}, {0, 1}, {A0, A 0A}, A)（3）({S}, {a, b}, {S 00S, S 11S, S 00, S 11}, S)（4）({A}, {0, 1}, {A01, A 0A1, A 1A0}, A)二、(15分)简答及证明题（1）影响聚类结果的主要因素有那些（2）证明马氏距离是平移不变的、非奇异线性变换不变的。
答：（1）分类准则，模式相似性测度，特征量的选择，量纲。
（2）证明：(2分)(2分)(1分)设，有非奇异线性变换：(1分)(4分)三、(8分)说明线性判别函数的正负和数值大小在分类中的意义并证明之。
一、（15分）设有两类正态分布的样本集，第一类均值为T1μ=（2,0），方差11⎡⎤∑=⎢⎥⎣⎦11/21/2，第二类均值为T2μ=（2,2），方差21⎡⎤∑=⎢⎥⎣⎦1-1/2-1/2，先验概率12()()p p ωω=，试求基于最小错误率的贝叶斯决策分界面。
解 根据后验概率公式()()()()i i i p x p p x p x ωωω=， (2’)及正态密度函数11/21()exp[()()/2]2T i i i i nip x x x ωμμπ-=--∑-∑ ,1,2i =。
(2’) 基于最小错误率的分界面为1122()()()()p x p p x p ωωωω=， (2’) 两边去对数，并代入密度函数，得1111112222()()/2ln ()()/2ln T T x x x x μμμμ----∑--∑=--∑--∑ (1) (2’)由已知条件可得12∑=∑，114/3-⎡⎤∑=⎢⎥⎣⎦4/3-2/3-2/3，214/3-⎡⎤∑=⎢⎥⎣⎦4/32/32/3，(2’)设12(,)Tx x x =，把已知条件代入式（1），经整理得1221440x x x x --+=， (5’)二、（15分）设两类样本的类内离散矩阵分别为11S ⎡⎤=⎢⎥⎣⎦11/21/2, 21S ⎡⎤=⎢⎥⎣⎦1-1/2-1/2,各类样本均值分别为T 1μ=（1,0），T2μ=（3,2），试用fisher 准则求其决策面方程，并判断样本Tx =（2,2）的类别。
解：122S S S ⎡⎤=+=⎢⎥⎣⎦200 (2’) 投影方向为*112-2-1()211/2w S μμ-⎡⎤⎡⎤⎡⎤=-==⎢⎥⎢⎥⎢⎥--⎣⎦⎣⎦⎣⎦1/200 (6’)阈值为[]*0122()/2-1-131T y w μμ⎡⎤=+==-⎢⎥⎣⎦(4’)给定样本的投影为[]*0-12241T y w x y ⎡⎤===-<⎢⎥-⎣⎦， 属于第二类 (3’)三、 （15分）给定如下的训练样例实例 x0 x1 x2 t(真实输出) 1 1 1 1 1 2 1 2 0 1 3 1 0 1 -1 4 1 1 2 -1用感知器训练法则求感知器的权值，设初始化权值为0120w w w ===；1 第1次迭代（4’）2 第2次迭代（2’）3 第3和4次迭代四、 （15分）i. 推导正态分布下的最大似然估计；ii. 根据上步的结论，假设给出如下正态分布下的样本{}1,1.1,1.01,0.9,0.99，估计该部分的均值和方差两个参数。
一、填空与选择填空（本题答案写在此试卷上，30分）1、模式识别系统的基本构成单元包括：模式采集、特征提取与选择和模式分类。
2、统计模式识别中描述模式的方法一般使用特真矢量；句法模式识别中模式描述方法一般有串、树、网。
3、聚类分析算法属于（1）；判别域代数界面方程法属于（3）。
（1）无监督分类 (2)有监督分类（3）统计模式识别方法（4）句法模式识别方法4、若描述模式的特征量为0-1二值特征量，则一般采用（4）进行相似性度量。
（1）距离测度（2）模糊测度（3）相似测度（4）匹配测度5、下列函数可以作为聚类分析中的准则函数的有（1）（3）（4）。
（1）（2）(3)(4)6、Fisher线性判别函数的求解过程是将N维特征矢量投影在（2）中进行。
（1）二维空间（2）一维空间（3）N-1维空间7、下列判别域界面方程法中只适用于线性可分情况的算法有（1）；线性可分、不可分都适用的有（3）。
（1）感知器算法（2）H-K算法（3）积累位势函数法8、下列四元组中满足文法定义的有（1）（2）（4）。
（1）({A, B}, {0, 1}, {A?01, A? 0A1 , A? 1A0 , B?BA , B? 0}, A) （2）({A}, {0, 1}, {A?0, A? 0A}, A)（3）({S}, {a, b}, {S ? 00S, S ? 11S, S ? 00, S ? 11}, S)（4）({A}, {0, 1}, {A?01, A? 0A1, A? 1A0}, A)二、(15分)简答及证明题（1）影响聚类结果的主要因素有那些？（2）证明马氏距离是平移不变的、非奇异线性变换不变的。
答：（1）分类准则，模式相似性测度，特征量的选择，量纲。
（2）证明：(2分)(2分) (1分)设，有非奇异线性变换：(1分)(4分)三、(8分)说明线性判别函数的正负和数值大小在分类中的意义并证明之。
答：（1）（4分）的绝对值正比于到超平面的距离平面的方程可以写成式中。
大学模式识别考试题及答案详解HUA system office room 【HUA16H-TTMS2A-HUAS8Q8-HUAH1688】一、填空与选择填空（本题答案写在此试卷上，30分）1、模式识别系统的基本构成单元包括：模式采集、特征提取与选择和模式分类。
2、统计模式识别中描述模式的方法一般使用特真矢量；句法模式识别中模式描述方法一般有串、树、网。
3、聚类分析算法属于（1）；判别域代数界面方程法属于（3）。
（1）无监督分类 (2)有监督分类（3）统计模式识别方法（4）句法模式识别方法4、若描述模式的特征量为0-1二值特征量，则一般采用（4）进行相似性度量。
（1）距离测度（2）模糊测度（3）相似测度（4）匹配测度5、下列函数可以作为聚类分析中的准则函数的有（1）（3）（4）。
（1）（2） (3)(4)6、Fisher线性判别函数的求解过程是将N维特征矢量投影在（2）中进行。
（1）二维空间（2）一维空间（3）N-1维空间7、下列判别域界面方程法中只适用于线性可分情况的算法有（1）；线性可分、不可分都适用的有（3）。
（1）感知器算法（2）H-K算法（3）积累位势函数法8、下列四元组中满足文法定义的有（1）（2）（4）。
（1）({A, B}, {0, 1}, {A01, A 0A1 , A 1A0 , B BA , B 0}, A)（2）({A}, {0, 1}, {A0, A 0A}, A)（3）({S}, {a, b}, {S 00S, S 11S, S 00, S 11}, S)（4）({A}, {0, 1}, {A01, A 0A1, A 1A0}, A)二、(15分)简答及证明题（1）影响聚类结果的主要因素有那些？（2）证明马氏距离是平移不变的、非奇异线性变换不变的。
答：（1）分类准则，模式相似性测度，特征量的选择，量纲。
（2）证明：(2分)(2分)(1分)设，有非奇异线性变换：(1分)(4分)三、(8分)说明线性判别函数的正负和数值大小在分类中的意义并证明之。
模式识别习题及答案模式识别习题及答案模式识别是人类智能的重要组成部分，也是机器学习和人工智能领域的核心内容。
通过模式识别，我们可以从大量的数据中发现规律和趋势，进而做出预测和判断。
本文将介绍一些模式识别的习题，并给出相应的答案，帮助读者更好地理解和应用模式识别。
习题一：给定一组数字序列，如何判断其中的模式？答案：判断数字序列中的模式可以通过观察数字之间的关系和规律来实现。
首先，我们可以计算相邻数字之间的差值或比值，看是否存在一定的规律。
其次，我们可以将数字序列进行分组，观察每组数字之间的关系，看是否存在某种模式。
最后，我们还可以利用统计学方法，如频率分析、自相关分析等，来发现数字序列中的模式。
习题二：如何利用模式识别进行图像分类？答案：图像分类是模式识别的一个重要应用领域。
在图像分类中，我们需要将输入的图像分为不同的类别。
为了实现图像分类，我们可以采用以下步骤：首先，将图像转换为数字表示，如灰度图像或彩色图像的像素矩阵。
然后，利用特征提取算法，提取图像中的关键特征。
接下来，选择合适的分类算法，如支持向量机、神经网络等，训练模型并进行分类。
最后，评估分类结果的准确性和性能。
习题三：如何利用模式识别进行语音识别？答案：语音识别是模式识别在语音信号处理中的应用。
为了实现语音识别，我们可以采用以下步骤：首先，将语音信号进行预处理，包括去除噪声、降低维度等。
然后，利用特征提取算法，提取语音信号中的关键特征，如梅尔频率倒谱系数（MFCC）。
接下来，选择合适的分类算法，如隐马尔可夫模型（HMM）、深度神经网络（DNN）等，训练模型并进行语音识别。
最后，评估识别结果的准确性和性能。
习题四：如何利用模式识别进行时间序列预测？答案：时间序列预测是模式识别在时间序列分析中的应用。
为了实现时间序列预测，我们可以采用以下步骤：首先，对时间序列进行平稳性检验，确保序列的均值和方差不随时间变化。
然后，利用滑动窗口或滚动平均等方法，将时间序列划分为训练集和测试集。
一、填空与选择填空（本题答案写在此试卷上，30分）1、模式识别系统的基本构成单元包括：模式采集、特征提取与选择和模式分类。
2、统计模式识别中描述模式的方法一般使用特真矢量；句法模式识别中模式描述方法一般有串、树、网。
3、聚类分析算法属于（1）；判别域代数界面方程法属于（3）。
（1）无监督分类 (2)有监督分类（3）统计模式识别方法（4）句法模式识别方法4、若描述模式的特征量为0-1二值特征量，则一般采用（4）进行相似性度量。
（1）距离测度（2）模糊测度（3）相似测度（4）匹配测度5、下列函数可以作为聚类分析中的准则函数的有（1）（3）（4）。
（1）（2）(3)(4)6、Fisher线性判别函数的求解过程是将N维特征矢量投影在（2）中进行。
（1）二维空间（2）一维空间（3）N-1维空间7、下列判别域界面方程法中只适用于线性可分情况的算法有（1）；线性可分、不可分都适用的有（3）。
（1）感知器算法（2）H-K算法（3）积累位势函数法8、下列四元组中满足文法定义的有（1）（2）（4）。
（1）({A, B}, {0, 1}, {A?01, A? 0A1 , A? 1A0 , B?BA , B? 0}, A)（2）({A}, {0, 1}, {A?0, A? 0A}, A)（3）({S}, {a, b}, {S ? 00S, S ? 11S, S ? 00, S ? 11}, S)（4）({A}, {0, 1}, {A?01, A? 0A1, A? 1A0}, A)二、(15分)简答及证明题（1）影响聚类结果的主要因素有那些？（2）证明马氏距离是平移不变的、非奇异线性变换不变的。
答：（1）分类准则，模式相似性测度，特征量的选择，量纲。
（2）证明：(2分)(2分)(1分)设，有非奇异线性变换：(1分)(4分)三、(8分)说明线性判别函数的正负和数值大小在分类中的意义并证明之。
答：（1）（4分）的绝对值正比于到超平面的距离平面的方程可以写成式中。
大学模式识别考试题及答案详解一、填空与选择填空（本题答案写在此试卷上，30分）1、模式识别系统的基本构成单元包括：模式采集、特征提取与选择和模式分类。
2、统计模式识别中描述模式的方法一般使用特真矢量；句法模式识别中模式描述方法一般有串、树、网。
3、聚类分析算法属于（1）；判别域代数界面方程法属于（3）。
（1）无监督分类 (2)有监督分类（3）统计模式识别方法（4）句法模式识别方法4、若描述模式的特征量为0-1二值特征量，则一般采用（4）进行相似性度量。
（1）距离测度（2）模糊测度（3）相似测度（4）匹配测度5、下列函数可以作为聚类分析中的准则函数的有（1）（3）（4）。
（1）（2）(3)(4)6、Fisher线性判别函数的求解过程是将N维特征矢量投影在（2）中进行。
（1）二维空间（2）一维空间（3）N-1维空间7、下列判别域界面方程法中只适用于线性可分情况的算法有（1）；线性可分、不可分都适用的有（3）。
（1）感知器算法（2）H-K算法（3）积累位势函数法8、下列四元组中满足文法定义的有（1）（2）（4）。
（1）({A, B}, {0, 1}, {A→01, A→0A1 , A→1A0 , B→BA , B→ 0}, A)（2）({A}, {0, 1}, {A→0, A→ 0A}, A) （3）({S}, {a, b}, {S → 00S, S → 11S, S →00, S → 11}, S)（4）({A}, {0, 1}, {A→01, A→0A1, A→1A0},A)二、(15分)简答及证明题（1）影响聚类结果的主要因素有那些？（2）证明马氏距离是平移不变的、非奇异线性变换不变的。
答：（1）分类准则，模式相似性测度，特征量的选择，量纲。
（2）证明：(2分)(2分)(1分)设，有非奇异线性变换：(1分)(4分)三、(8分)说明线性判别函数的正负和数值大小在分类中的意义并证明之。
答：（1）（4分）的绝对值正比于到超平面的距离平面的方程可以写成式中。
《模式识别》试题答案及评分标准（B卷）姓名：学号：成绩：一、填空与选择填空（本题答案写在此试卷上，30分）1、模式识别系统的基本构成单元包括：模式采集、特征提取与选择和模式分类。
2、统计模式识别中描述模式的方法一般使用特真矢量；句法模式识别中模式描述方法一般有串、树、网。
3、聚类分析算法属于（1）；判别域代数界面方程法属于（3）。
（1）无监督分类 (2)有监督分类（3）统计模式识别方法（4）句法模式识别方法4、若描述模式的特征量为0-1二值特征量，则一般采用（4）进行相似性度量。
（1）距离测度（2）模糊测度（3）相似测度（4）匹配测度5、下列函数可以作为聚类分析中的准则函数的有（1）（3）（4）。
（1）（2） (3)(4)6、Fisher线性判别函数的求解过程是将N维特征矢量投影在（2）中进行。
（1）二维空间（2）一维空间（3）N-1维空间7、下列判别域界面方程法中只适用于线性可分情况的算法有（1）；线性可分、不可分都适用的有（3）。
（1）感知器算法（2）H-K算法（3）积累位势函数法8、下列四元组中满足文法定义的有（1）（2）（4）。
（1）({A, B}, {0, 1}, {A→01, A→ 0A1 , A→ 1A0 , B→BA , B→ 0}, A)（2）({A}, {0, 1}, {A→0, A→ 0A}, A)（3）({S}, {a, b}, {S → 00S, S → 11S, S → 00, S → 11}, S)（4）({A}, {0, 1}, {A→01, A→ 0A1, A→ 1A0}, A)二、(15分)简答及证明题（1）影响聚类结果的主要因素有那些？（2）证明马氏距离是平移不变的、非奇异线性变换不变的。
（1）(5分)答：分类准则，模式相似性测度，特征量的选择，量纲。
（2）(10分)证明：(2分)(2分)(1分)设，有非奇异线性变换：(1分)(4分)三、(8分)说明线性判别函数的正负和数值大小在分类中的意义并证明之。
1、PCA和LDA的区别？PCA是一种无监督的映射方法，LDA是一种有监督的映射方法。
PCA只是将整组数据映射到最方便表示这组数据的坐标轴上，映射时没有利用任何数据内部的分类信息。
因此，虽然做了PCA后，整组数据在表示上更加方便（降低了维数并将信息损失降到了最低），但在分类上也许会变得更加困难；LDA在增加了分类信息之后，将输入映射到了另外一个坐标轴上，有了这样一个映射，数据之间就变得更易区分了（在低纬上就可以区分，减少了很大的运算量），它的目标是使得类别内的点距离越近越好，类别间的点越远越好。
2、最大似然估计和贝叶斯方法的区别？p(x|X)是概率密度函数，X是给定的训练样本的集合，在哪种情况下，贝叶斯估计接近最大似然估计？最大似然估计把待估的参数看做是确定性的量，只是其取值未知。
利用已知的样本结果，反推最有可能（最大概率）导致这样结果的参数值(模型已知，参数未知）。
贝叶斯估计则是把待估计的参数看成是符合某种先验概率分布的随机变量。
对样本进行观测的过程，把先验概率密度转化为后验概率密度，利用样本的信息修正了对参数的初始估计值。
当训练样本数量趋于无穷的时候，贝叶斯方法将接近最大似然估计。
如果有非常多的训练样本，使得p(x|X)形成一个非常显著的尖峰，而先验概率p(x)又是均匀分布，此时两者的本质是相同的。
3、为什么模拟退火能够逃脱局部极小值？在解空间内随机搜索，遇到较优解就接受，遇到较差解就按一定的概率决定是否接受，这个概率随时间的变化而降低。
实际上模拟退火算法也是贪心算法，只不过它在这个基础上增加了随机因素。
这个随机因素就是：以一定的概率来接受一个比单前解要差的解。
通过这个随机因素使得算法有可能跳出这个局部最优解。
4、最小错误率和最小贝叶斯风险之间的关系？基于最小风险的贝叶斯决策就是基于最小错误率的贝叶斯决策，换言之，可以把基于最小错误率决策看做是基于最小风险决策的一个特例，基于最小风险决策本质上就是对基于最小错误率公式的加权处理。
2013–2014 学年度 模式识别 课程期末考试试题
一、计算题 （共20分）
在目标识别中，假定类型1ω为敌方目标，类型2ω为诱饵（假目标），已知先验概率P (1ω)=0.2和P (2ω)=0.8，类概率密度函数如下：
⎪⎩⎪
⎨⎧≤≤-<≤=其它021210)(1x x x x
x p ω
⎪⎩
⎪
⎨⎧≤≤-<≤=其它0323211-)(2x x x x x p ω
1、求贝叶斯最小误判概率准则下的判决域，并判断样本x =1.5属于哪一类；
2、求总错误概率p (e )；
3、假设正确判断的损失λ11=λ22=0，误判损失分别为λ12和λ21，若采用最小损失判决准则，λ12和λ21满足怎样的关系时，会使上述对x =1.5的判断相反？
解：（1）应用贝叶斯最小误判概率准则如果
)()()(2112ωω=x p x p x l <>)()
(12ωωP P 则判 ⎩⎨⎧ωω∈21
x （2分）
得 l 12(1.5)=1 <
)()
(12ωωP P =4，故 x=1.5属于ω2 。
（2分）
（2）P(e)= 212121)()()(εω+εω=P P e P
⎰⎰ΩΩωω+ωω=1
2
)()()()(2211x
d x p P x d x p P
=
dx
x x x ⎰⎰-+- 1.2
1
2
1.2
10.8d )2(0.2）（=0.08
（算式正确2分，计算错误扣1～2分）
(3) 两类问题的最小损失准则的似然比形式的判决规则为：
如果
)
)(())(()()(111212221221λ-λωλ-λω<
>ωωP P x p x p
则判
⎩⎨⎧ωω∈21
x 带入x=1.5得到 λ12≥4λ21
二、证明题（共20分）
设p(x)~N (μ,σ)，窗函数ϕ(x)~N (0,1)，试证明Parzen 窗估计1
1
ˆ()(
)N
i
N i N
N
x x p x Nh h ϕ=-=
∑
有如下性质：22
ˆ[()](,)N N E p x N h μσ+ 。
证明：（1）（为书写方便，以下省略了h N 的下标N ）
22
22
22
2222222222
222211()()()()]22111exp[()()]2221111exp{[()2()]}221
1111exp[()]exp{()[2222y x y x y p y dy dy
h h y x y dy
h x x y y dy
h h h x y h h μϕσμπσσ
μμπσσσσ
μπσσσ∞
∞
-∞
-∞∞
-∞∞
-∞
∞
-∞---=----=--=
-+-+++=-+-+-⎰
⎰⎰⎰
⎰2222()]}x h y dy h σμσ++
222222
2222222222221
1()exp[(exp()22()2
11()exp[22()1()]2()x x h y dy
h h h x h x h μσμπσσσσμπσσμσ∞
+=-+--+-=-+-=-+⎰
（1-1）
121211ˆ[()][()](,,...,)N
i N N N i x x E p
x p x x x dx dx dx Nh h ϕ∞
=-∞
-=∑⎰⎰⎰
因为样本独立
121211ˆ[()][()]()()...()N i N N N i x x E p
x p x p x p x dx dx dx Nh h ϕ∞
=-∞
-=∑⎰⎰⎰
111112221
{()()()[()]}()...()N
i N N i x x x x p x dx p x dx p x p x dx dx Nh h h ϕϕ∞∞
=-∞-∞--=+∑⎰⎰⎰⎰
1211222222333
1{()()()()()()[(
)]}()...()N
i
N N i x x x x p x dx p x dx p x dx Nh h h x x p x dx p x p x dx dx h
ϕϕϕ∞∞∞
-∞-∞-∞
∞
=-∞
--=++-⎰⎰⎰⎰⎰∑⎰
1
1
11()()(
)()N N
i i
i i i i i i x x x x p x dx p x dx Nh h Nh h ϕϕ∞
∞
==-∞
-∞
--==∑∑⎰
⎰
将（1-1）式代入，得
2
2
22221
11()1()ˆ[()]]]2()2()N
N i x x E p x Nh h h μμσσ=--=-=-++∑故
22
ˆ[()](,)N N E p x N h μσ+
证毕。
三、综合题（共20分）
设两类问题，已知七个二维矢量：
(1)1231{(1,0)',(0,1)',(0,1)'}X x x x ω====-∈
(2)45672{(0,0)',(0,2)',(0,2)',(2,0)'}X x x x x ω====-=-∈
（1）画出1-NN 最近邻法决策面；
（2）若按离样本均值距离的大小进行分类，试画出决策面。
解：
四、分析题 （共20分）
已知样本：12345
(1,2)',(2,1)',(1,0)',(0,0)',(2,1)',x x x x x =-=-=-== 6(1,1)'x =-
1、使用最小距离的层次聚类算法聚类，并画出解树；
2、改用最大距离重做1。
3、根据1和2分析较合理的聚类结果应是什么？
解：
（1）计算样本间最小距离，逐层聚类如下(等距时，同时聚类亦可)：
（2）计算样本间最大距离，逐层聚类如下(等距时，同时聚类)：
（3）①当类数为3时，（1）（2）结果均为：
{x1,x2}，{x3,x4}和{x5,x6}，所以认为这是3类时较合理的聚类结果。
②当类数为2时，（1）有两种结果，（2）只有一种结果：{x1,x2，x3,x4}，{ x5,x6}且是（1）（2）共同的结果，故认为它是2类时的合理结果。
通过计算各种可分性判据，均可得出同样的结论。
③因为
(3)wB J >(2)
wB
J ，所以，{x1,x2}，{x3,x4}和{x5,x6}是合理的聚类结果。
3
(3)
11[
()'()]
j
wB N j i i j i N J m m m m N ===--∑∑
2
(2)
1
1
[
()'()]
j
wB N j i i j i N J m m m m N
===--∑∑
五、程序设计题 （共20分）
由于三层BP 神经网络既不太复杂，又可以逼近任何连续的函数，所以对热负荷的研究非常合适。
因此，采取三层BP 神经网络结构，对热负荷训练样本进行负荷预测神经网络的体系构造设计，要求画出负荷预测神经网络的体系构造，写出与神经网络有关程序函数，加上注释。
在BP 神经网络中每层神经元节点的激励函数大多采用Sigmoid 函数，所以必须对神经网络的输入、输出参数进行归一化处理，写出归一化处理的方法。
表1 训练样本
时间 室外温度 风速 天气 供水流量 回水温度
是否
工作日
供热负荷 1 -15 0.2 0.1 0.7 44 0.4 586.2 2
-15
0.2
0.1
0.7
43
0.4
582.2
3 -16 0.2 0.1 0.7 43 0.
4 581.1
4 -16 0.3 0.1 0.7 44 0.4 583.0
5 -15 0.3 0.2 0.
6 44 0.4 582.3
6 -15 0.4 0.2 0.6 45 0.4 581.6
7 -14 0.4 0.3 0.7 43 0.4 582.4
8 -14 0.4 0.3 0.6 44 0.4 580.1
9 -13 0.4 0.3 0.6 44 0.4 579.9
10 -13 0.2 0.4 0.7 44 0.4 579.5
11 -12 0.2 0.4 0.6 45 0.4 578.1
12 -12 0.1 0.4 0.7 44 0.4 577.5
13 -11 0.1 0.5 0.6 45 0.4 578.7
14 -11 0.2 0.5 0.7 45 0.4 577.6
15 -11 0.2 0.7 0.6 44 0.4 576.4
16 -12 0.3 0.7 0.6 45 0.4 576.8
17 -12 0.3 0.7 0.6 44 0.4 575.3
18 -13 0.5 0.8 0.7 45 0.4 576.0
19 -13 0.5 0.8 0.7 43 0.4 578.6
20 -14 0.5 0.8 0.6 45 0.4 579.9
21 -14 0.5 0.8 0.7 45 0.4 580.7
22 -15 0.4 0.8 0.7 44 0.4 582.0
23 -15 0.4 0.2 0.6 44 0.4 582.6
24 -15 0.3 0.2 0.7 44 0.4 583.7。
