下载文档原格式
模式识别试卷及答案一、选择题（每题5分，共30分）1. 以下哪一项不是模式识别的主要任务？A. 分类B. 回归C. 聚类D. 预测答案：B2. 以下哪种算法不属于监督学习？A. 支持向量机（SVM）B. 决策树C. K最近邻（K-NN）D. K均值聚类答案：D3. 在模式识别中，以下哪一项是特征选择的目的是？A. 减少特征维度B. 增强模型泛化能力C. 提高模型计算效率D. 所有上述选项答案：D4. 以下哪种模式识别方法适用于非线性问题？A. 线性判别分析（LDA）B. 主成分分析（PCA）C. 支持向量机（SVM）D. 线性回归答案：C5. 在神经网络中，以下哪种激活函数常用于输出层？A. SigmoidB. TanhC. ReLUD. Softmax答案：D6. 以下哪种聚类算法是基于密度的？A. K均值聚类B. 层次聚类C. DBSCAND. 高斯混合模型答案：C二、填空题（每题5分，共30分）1. 模式识别的主要任务包括______、______、______。
答案：分类、回归、聚类2. 在监督学习中，训练集通常分为______和______两部分。
答案：训练集、测试集3. 支持向量机（SVM）的基本思想是找到一个______，使得不同类别的数据点被最大化地______。
答案：最优分割超平面、间隔4. 主成分分析（PCA）是一种______方法，用于降维和特征提取。
答案：线性变换5. 神经网络的反向传播算法用于______。
答案：梯度下降6. 在聚类算法中，DBSCAN算法的核心思想是找到______。
答案：密度相连的点三、简答题（每题10分，共30分）1. 简述模式识别的基本流程。
答案：模式识别的基本流程包括以下几个步骤：（1）数据预处理：对原始数据进行清洗、标准化和特征提取。
（2）模型选择：根据问题类型选择合适的模式识别算法。
（3）模型训练：使用训练集对模型进行训练，学习数据特征和规律。
模式识别期末考试题及答案一、选择题（每题2分，共20分）1. 以下哪一项不是模式识别的主要任务？A. 分类B. 回归C. 聚类D. 预测答案：B2. 以下哪一种方法不属于统计模式识别方法？A. 最小二乘法B. 感知机C. 支持向量机D. 决策树答案：A3. 在模式识别中，以下哪种技术用于降低特征维度？A. 主成分分析（PCA）B. 线性判别分析（LDA）C. 神经网络D. K-均值聚类答案：A4. 以下哪一种模式识别方法适用于非线性问题？A. 线性判别分析（LDA）B. 支持向量机（SVM）C. 主成分分析（PCA）D. K-最近邻（K-NN）答案：B5. 以下哪一项不是模式识别的评价指标？A. 准确率B. 精确率C. 召回率D. 信息熵答案：D二、填空题（每题2分，共20分）6. 模式识别的主要任务包括分类、回归、聚类和________。
答案：预测7. 统计模式识别方法包括最小二乘法、感知机、________和决策树。
答案：支持向量机8. 主成分分析（PCA）的主要目的是________特征。
答案：降低维度9. 在模式识别中，________用于将样本分为不同的类别。
答案：分类器10. 支持向量机（SVM）的基本思想是找到一个________，使得不同类别的样本之间的间隔最大化。
答案：最优分割超平面三、简答题（每题10分，共30分）11. 请简述模式识别的主要步骤。
答案：（1）数据预处理：对原始数据进行清洗、标准化和降维等处理。
（2）特征提取：从原始数据中提取有助于分类的特征。
（3）模型训练：使用训练集对分类器进行训练。
（4）模型评估：使用测试集对分类器的性能进行评估。
（5）模型优化：根据评估结果对模型进行调整和优化。
12. 请简述支持向量机（SVM）的基本原理。
支持向量机是一种二分类模型，其基本思想是找到一个最优分割超平面，使得不同类别的样本之间的间隔最大化。
SVM通过求解一个凸二次规划问题来寻找最优分割超平面，从而实现分类任务。
大学模式识别考试题及答案详解————————————————————————————————作者：————————————————————————————————日期：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。
机器视觉与模式识别试题一、简答题（每题10分，共10题）1. 请简要解释机器视觉的概念，并举例说明其在实际应用中的作用。
2. 什么是图像分割？请简要介绍常用的图像分割方法。
3. 请解释什么是特征提取，并描述至少两种常用的特征提取方法。
4. 什么是机器学习？简要描述监督学习和无监督学习的区别。
5. 请简要介绍常见的分类器，并说明它们的优缺点。
6. 什么是物体检测？请简要介绍常用的物体检测算法。
7. 请解释什么是模式识别，并举例说明其应用领域。
8. 简要介绍支持向量机（SVM）的原理及其应用。
9. 什么是深度学习？简要解释深度学习与传统机器学习的区别。
10. 简要介绍卷积神经网络（CNN）及其在图像分类中的应用。
二、分析题（共20分）1. 请分析图像分割的难点和挑战，并提出解决方案。
2. 请分析特征提取的关键问题，并探讨如何改进现有的特征提取方法。
3. 请分析支持向量机（SVM）的优势和不足，并提出使用SVM解决模式识别问题的注意事项。
4. 以人脸识别为例，分析深度学习模型相较于传统机器学习模型的优势和局限性。
三、应用题（共30分）1. 设计一个图像分类系统，能够将手写数字图像分为0~9十个类别。
请详细描述你的设计思路并给出实现代码。
2. 以目标检测为任务，设计一个基于卷积神经网络（CNN）的物体检测系统。
请详细描述你的设计思路并给出实现代码。
四、论述题（共40分）请综合所学的机器视觉与模式识别相关知识，自选一个课题进行深入探讨，并撰写一篇论文。
论文应包括问题定义、相关工作综述、解决方案设计和实验结果分析等内容。
请确保论文结构合理，逻辑清晰，表达准确。
以上是机器视觉与模式识别试题，根据题目要求，正文不再重复。
请根据试题内容自行判断和格式化撰写。
大学模式识别考试题及答案详解Document number：PBGCG-0857-BTDO-0089-PTT1998一、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。
模式识别期末试题及答案正文：模式识别期末试题及答案1. 选择题1.1 下列关于机器学习的说法中，正确的是：A. 机器学习是一种人工智能的应用领域B. 机器学习只能应用于结构化数据C. 机器学习不需要预先定义规则D. 机器学习只能处理监督学习问题答案：A1.2 在监督学习中，以下哪个选项描述了正确的训练过程？A. 通过输入特征和预期输出，训练一个模型来进行预测B. 通过输入特征和可能的输出，训练一个模型来进行预测C. 通过输入特征和无标签的数据，训练一个模型来进行预测D. 通过输入特征和已有标签的数据，训练一个模型来进行分类答案：D2. 简答题2.1 请解释什么是模式识别？模式识别是指在给定一组输入数据的情况下，通过学习和建模，识别和分类输入数据中的模式或规律。
通过模式识别算法，我们可以从数据中提取重要的特征，并根据这些特征进行分类、聚类或预测等任务。
2.2 请解释监督学习和无监督学习的区别。
监督学习是一种机器学习方法，其中训练数据包含了输入特征和对应的标签或输出。
通过给算法提供已知输入和输出的训练样本，监督学习的目标是学习一个函数，将新的输入映射到正确的输出。
而无监督学习则没有标签或输出信息。
无监督学习的目标是从未标记的数据中找到模式和结构。
这种学习方法通常用于聚类、降维和异常检测等任务。
3. 计算题3.1 请计算以下数据集的平均值：[2, 4, 6, 8, 10]答案：63.2 请计算以下数据集的标准差：[1, 3, 5, 7, 9]答案：2.834. 综合题4.1 对于一个二分类问题，我们可以使用逻辑回归模型进行预测。
请简要解释逻辑回归模型的原理，并说明它适用的场景。
逻辑回归模型是一种用于解决二分类问题的监督学习算法。
其基本原理是通过将特征的线性组合传递给一个非线性函数（称为sigmoid函数），将实数值映射到[0,1]之间的概率。
这个映射的概率可以被解释为某个样本属于正类的概率。
逻辑回归适用于需要估计二分类问题的概率的场景，例如垃圾邮件分类、欺诈检测等。
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。
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。
模式识别期末考试试题# 模式识别期末考试试题## 一、选择题（每题2分，共20分）1. 模式识别中，特征提取的目的是什么？A. 降低数据维度B. 提高计算效率C. 增强数据的可解释性D. 以上都是2. 在K-近邻算法中，K值的选择对结果的影响是什么？A. 无影响B. 影响分类的准确性C. 影响算法的运行时间D. 影响数据的可读性3. 决策树算法中，信息增益的计算是基于以下哪个概念？A. 熵B. 互信息C. 条件熵D. 联合熵4. 支持向量机（SVM）的主要思想是？A. 寻找数据点之间的最大间隔B. 寻找数据点之间的最小间隔C. 寻找数据点的平均间隔D. 寻找数据点的中心点5. 以下哪个算法属于聚类算法？A. K-近邻B. 决策树C. K-均值D. 支持向量机## 二、简答题（每题10分，共30分）1. 描述主成分分析（PCA）的基本原理及其在模式识别中的应用。
2. 解释什么是过拟合（Overfitting）现象，并给出避免过拟合的几种常用方法。
3. 给出神经网络在模式识别中的基本工作原理，并说明其优缺点。
## 三、计算题（每题25分，共50分）1. 给定以下数据点，使用K-均值算法将它们分为两个簇，并说明算法的步骤：- 数据点：(1, 2), (2, 3), (5, 6), (8, 7), (9, 8)2. 假设有一个二维数据集，其中包含两类数据点，分别用圆形和三角形表示。
数据点的特征如下表所示：| 特征1 | 特征2 | 类别 || | | - || 1.5 | 2.5 | 圆形 || 2.0 | 3.0 | 圆形 || 3.5 | 4.5 | 三角形 || 4.0 | 5.0 | 三角形 |使用线性判别分析（LDA）方法，找出最佳线性边界，并将数据点分为两类。
## 四、论述题（共30分）1. 论述深度学习在图像识别领域的应用，并讨论其与传统机器学习方法相比的优势和局限性。
## 五、案例分析题（共30分）1. 假设你是一名数据科学家，你的团队正在开发一个用于识别手写数字的系统。
1、试说明Mahalanobis 距离平方的定义，到某点的Mahalanobis 距离平方为常数的轨迹的几何意义，它与欧氏距离的区别与联系。
答：Mahalanobis 距离的平方定义为：∑---=12)()(),(u x u x u x r T其中x ，u 为两个数据，1-∑是一个正定对称矩阵（一般为协方差矩阵）。
根据定义，距某一点的Mahalanobis 距离相等点的轨迹是超椭球，如果是单位矩阵Σ，则Mahalanobis 距离就是通常的欧氏距离。
2、试说明用监督学习与非监督学习两种方法对道路图像中道路区域的划分的基本做法，以说明这两种学习方法的定义与它们间的区别。
答：监督学习方法用来对数据实现分类，分类规则通过训练获得。
该训练集由带分类号的数据集组成，因此监督学习方法的训练过程是离线的。
非监督学习方法不需要单独的离线训练过程，也没有带分类号（标号）的训练数据集，一般用来对数据集进行分析，如聚类，确定其分布的主分量等。
就道路图像的分割而言，监督学习方法则先在训练用图像中获取道路象素与非道路象素集，进行分类器设计，然后用所设计的分类器对道路图像进行分割。
使用非监督学习方法，则依据道路路面象素与非道路象素之间的聚类分析进行聚类运算，以实现道路图像的分割。
3、已知一组数据的协方差矩阵为⎪⎪⎭⎫ ⎝⎛12/12/11，试问(1) 协方差矩阵中各元素的含义。
(2) 求该数组的两个主分量。
(3) 主分量分析或称K-L 变换，它的最佳准则是什么？ (4) 为什么说经主分量分析后，消除了各分量之间的相关性。
答：协方差矩阵为⎪⎪⎭⎫⎝⎛12/12/11，则(1) 对角元素是各分量的方差，非对角元素是各分量之间的协方差。
(2) 主分量，通过求协方差矩阵的特征值，用⎪⎪⎪⎪⎭⎫ ⎝⎛----121211λλ＝0得4/1)1(2=-λ，则 ⎩⎨⎧=2/32/1λ，相应地：2/3=λ，对应特征向量为⎪⎪⎭⎫ ⎝⎛11，21=λ，对应⎪⎪⎭⎫ ⎝⎛-11。
这两个特征向量，即为主分量。
(3) K-L 变换的最佳准则为：对一组数据进行按一组正交基分解，在只取相同数量分量的条件下，以均方误差计算截尾误差最小。
(4) 在经主分量分解后，协方差矩阵成为对角矩阵，因而各主分量间相关性消除。
4、试说明以下问题求解是基于监督学习或是非监督学习：(1) 求数据集的主分量 (2) 汉字识别 (3) 自组织特征映射 (4) CT 图像的分割答：(1) 求数据集的主分量是非监督学习方法；(2) 汉字识别：对待识别字符加上相应类别号—有监督学习方法；(3) 自组织特征映射—将高维数组按保留近似度向低维映射—非监督学习； (4) CT 图像分割—按数据自然分布聚类—非监督学习方法； 5、试列举线性分类器中最著名的三种最佳准则以及它们各自的原理。
答：线性分类器三种最优准则：Fisher准则：根据两类样本一般类内密集，类间分离的特点，寻找线性分类器最佳的法线向量方向，使两类样本在该方向上的投影满足类内尽可能密集，类间尽可能分开。
这种度量通过类内离散矩阵Sw和类间离散矩阵Sb实现。
感知准则函数：准则函数以使错分类样本到分界面距离之和最小为原则。
其优点是通过错分类样本提供的信息对分类器函数进行修正，这种准则是人工神经元网络多层感知器的基础。
支持向量机：基本思想是在两类线性可分条件下，所设计的分类器界面使两类之间的间隔为最大，它的基本出发点是使期望泛化风险尽可能小。
6、试分析五种常用决策规则思想方法的异同。
答、五种常用决策是：1. 基于最小错误率的贝叶斯决策，利用概率论中的贝叶斯公式，得出使得错误率最小的分类规则。
2. 基于最小风险的贝叶斯决策，引入了损失函数，得出使决策风险最小的分类。
当在0-1损失函数条件下，基于最小风险的贝叶斯决策变成基于最小错误率的贝叶斯决策。
3. 在限定一类错误率条件下使另一类错误率最小的两类别决策。
4. 最大最小决策：类先验概率未知，考察先验概率变化对错误率的影响，找出使最小贝叶斯奉献最大的先验概率，以这种最坏情况设计分类器。
5. 序贯分类方法，除了考虑分类造成的损失外，还考虑特征获取造成的代价，先用一部分特征分类，然后逐步加入性特征以减少分类损失，同时平衡总的损失，以求得最有效益。
7、 1. 什么是特征选择？2. 什么是Fisher 线性判别？答：1. 特征选择就是从一组特征中挑选出一些最有效的特征以达到降低特征空间维数的目的。
2. Fisher 线性判别：可以考虑把d 维空间的样本投影到一条直线上，形成一维空间，即把维数压缩到一维，这在数学上容易办到，然而，即使样本在d 维空间里形成若干紧凑的互相分得开的集群，如果把它们投影到一条任意的直线上，也可能使得几类样本混在一起而变得无法识别。
但是在一般情况下，总可以找到某个方向，使得在这个方向的直线上，样本的投影能分开得最好。
问题是如何根据实际情况找到这条最好的、最易于分类的投影线，这就是Fisher 算法所要解决的基本问题。
8、写出两类和多类情况下最小风险贝叶斯决策判别函数和决策面方程。
两类问题：判别函数 )()()(2121111x w p x w p x g λλ+=)()()(2221212x w p x w p x g λλ+=决策面方程：)()(21x g x g =C 类问题：判别函数 )()(1x w p x g j ij cj i λ=∑=，c i ,......2,1=决策面方程：)()(x g x g j i =，j i ≠，c i ,......2,1=，c j ,......2,1= 9、请论述模式识别系统的主要组成部分及其设计流程，并简述各组成部分中常用方法的主信息获取：通过测量、采样和量化，可以用矩阵或向量表示二维图像或波形。
预处理：去除噪声，加强有用的信息，并对输入测量仪器或其他因素造成的退化现象进行复原。
特征选择和提取：为了有效地实现分类识别，就要对原始数据进行变换，得到最能反映分类本质的特征。
分类决策：在特征空间中用统计方法把识别对象归为某一类。
10、简述支持向量机的基本思想。
答：SVM 从线性可分情况下的最优分类面发展而来。
最优分类面就是要求分类线不但能将两类正确分开(训练错误率为0)，且使分类间隔最大。
SVM 考虑寻找一个满足分类要求的超平面，并且使训练集中的点距离分类面尽可能的远，也就是寻找一个分类面使它两侧的空白区域(margin)最大。
过两类样本中离分类面最近的点，且平行于最优分类面的超平面上H 1，H 2的训练样本就叫支持向量。
四、计算题1、设两类样本的类内散布矩阵分别为⎥⎦⎤⎢⎣⎡--=⎥⎦⎤⎢⎣⎡=11,112121221211S S ， 两类的类心分别为m 1=(2,0)T , m 2=(2,2)T , 试用fisher 准则求其决策面方程。
解：⎥⎦⎤⎢⎣⎡=+=1001)(2121S S S w ，⎥⎦⎤⎢⎣⎡=-10011w S 22)1,2(1001)2,0()()()(221212121+-=--⎪⎪⎭⎫ ⎝⎛-=--=+-x x x x S m m x d T m m w T ⎩⎨⎧∈⇒<>210)(ωωx x d或 写出决策面方程 01)(2=+-=x x d2、已知两个一维模式类别的类概率密度函数为:其它211002)/(1≤≤<≤⎪⎩⎪⎨⎧-=x x x x x p ω 其它3221031)/(2≤≤<≤⎪⎩⎪⎨⎧--=x x x x x p ω先验概率P(ω1)=0.6，P(ω2)=0.4， （1）求0-1代价Bayes 判决函数； （2）求总错误概率P(e )；（3）判断样本{x 1=1.35, x 2=1.45, x 3=1.55, x 4=1.65} 各属于哪一类别。
答：(1) 基于0-1代价Bayes 判决函数为：当67.0326.04.0)()()|()|(1221≈==ωωωωP P x p x p 时，1w x ∈，否则2w x ∈， (2) 总的误判概率P(e )为：由3212=--x x ， 得：6.158==x 12.0 )1(*4.0)2(*6.0)|(*)()|(*)()(6.1126.1221112=-+-=+=⎰⎰⎰⎰dx x dx x dxx p P dx x p P e P D D ωωωω(3) 67.086.135.0/65.0)/(/)/(,35.1211>≈==ωωx p x p x ，所以11w x ∈ 67.022.145.0/55.0)/(/)/(,45.1212>≈==ωωx p x p x ，所以12w x ∈> <67.082.055.0/45.0)/(/)/(,55.1213>≈==ωωx p x p x ，所以13w x ∈67.054.065.0/35.0)/(/)/(,65.1214<≈==ωωx p x p x ，所以24w x ∈3、假设在某个地区细胞识别中正常（w 1）和异常（w 2）两类先验概率分别为8.0)(1=w P ，2.0)(2=w P ，现有一待识别的细胞，其观察值为x ，从类条件概率密度分布曲线上查得25.0)(1=w x P ，6.0)(2=w x P ，并且已知011=λ，612=λ，121=λ，022=λ试对该细胞x 用一下两种方法进行分类：(1) 基于最小错误率的贝叶斯决策； (2) 基于最小风险的贝叶斯决策； 请分析两种结果的异同及原因。
答：(1) 利用贝叶斯公式，分别计算出1w 和2w 的后验概率：625.02.06.08.025.08.025.0)()()()()(211111=⨯+⨯⨯==∑=j j jwp w x p w p w x p x w p375.0)(1)(12=-=x w p x w p根据贝叶斯决策规则：375.0)(625.0)(21=>=x w p x w p ，所以把x 归为正常状态。
(2) 根据条件和上面算出的后验概率，计算出条件风险：125.3)()()()(2121112111=+==∑=x w p x w p x w p x R j j j λλλα75.1)()()()(22221212122=+==∑=x w p x w p x w p x R j j j λλλα由于)()(21x R x R αα>，即决策为2w 的条件风险小于决策为1w 的条件风险，因此采取决策行动2α，即判断待识别的细胞x 为2w 类----异常细胞。
将 (1) 与 (2) 相对比，其分类结果正好相反，这是因为这里影响决策结果的因素又多了一个，即“损失”；而且两类错误决策所造成的损失相差很悬殊，因此“损失”起了主导作用。
