精品文档电子科技大学研究生试卷（考试时间： 至 ，共 2 小时）课程名称 模式识别 教师 学时 40 学分 2 教学方式 课堂教学 考核日期 年 月 日 成绩 考核方式： （学生填写）1、（5分）简述有监督学习和无监督学习的异同。
答：（1）有监督学习必须要有训练集和测试样本，而非监督学习没有训练集； （2）有监督学习的目的就是识别事物，识别结果表现在给待识别数据加上了标号，因此训练样本集必须由带标号的样本组成，而非监督学习方法只有要分析的数据集本身，预先没有什么标号。
（3）非监督学习方法在寻找数据集中的规律性，这种规律性并不一定要达到分数据集的目的，也就是说不一定要“分类”。
2、（15分）计算单词model 和amdeol 的编辑距离，画出栅格图。
解： 栅格图为：a m d e o lmo d e lamdeolbcaty从栅格图可计算，model 和amdeol 的编辑距离为3。
学 号 姓 名 学 院……………………密……………封……………线……………以……………内……………答……………题……………无……………效……………………精品文档3、（15分）已知A 类样本为：123[0,1];[2,2];[2,3]a a a ===，B 类样本为：123[3,1];[4,3];[1,5]b b b ===，计算最小二乘分类面的方程（取值为-1和+1），并写出LMS 算法的流程。
解：（1）计算最小二乘分类面为[]0.4,0.26,1.45Tω=--。
（2）LMS 算法流程：步骤1. 初始化训练样本、权向量；步骤2. 选择一个训练样本，利用下列公式更新权向量：()[][1][1]2()k k T k iiy μ--=--w w x xw 训练样本数目步骤3. 重复所有样本。
4、（15分）在目标识别中，有1ω和2ω两种目标类型，它们的先验概率分别为0.8和0.2，在一次试验中，获得样本的类概率密度分别为()10.2p x ω=，()20.4p x ω=，并且已知110λ=，126λ=，211λ=，220λ=。
一种新的宽基线图像匹配方法陈冰;赵亦工;李欣【期刊名称】《西安电子科技大学学报（自然科学版）》【年(卷),期】2011(038)002【摘要】在宽基线图像匹配中,图像存在3维视角、尺度、旋转和灰度差异.为此,构造了一种新的基于局部二值模式直方图傅里叶特征的特征描述符,并通过对传统宽基线图像匹配算法框架中不同部分算法的对比分析,提出了一种新的宽基线图像匹配方法.首先,提取基准图像和实时图像中具有尺度和仿射不变性的最稳定极值区域,并利用新的特征描述符对这些区域进行图像旋转和灰度不变性描述;然后,根据近邻欧氏距离比值准则提取两图像中匹配的最稳定极值特征区域对;最后,利用顺序抽样一致性算法剔除误匹配特征区域对,估计两图像的外极几何关系,得到匹配结果.仿真结果表明,新算法能够适应待匹配图像间较大的3维视角、尺度、旋转和灰度差异,实现稳定的宽基线图像匹配.【总页数】8页(P116-123)【作者】陈冰;赵亦工;李欣【作者单位】西安电子科技大学,模式识别与智能控制研究所,陕西西安,710071;西安电子科技大学,模式识别与智能控制研究所,陕西西安,710071;西安电子科技大学,模式识别与智能控制研究所,陕西西安,710071【正文语种】中文【中图分类】TP391.4【相关文献】1.一种新的基于灰度的图像匹配方法 [J], 范俐捷;王岩飞;高鑫2.一种新的基于对称色彩空域特征的图像匹配方法 [J], 周兵;沈钧毅;彭勤科3.一种增强SAR图像匹配稳定性的新预处理方法研究 [J], 侯旺;阳孟4.一种新的中长基线GNSS三频模糊度快速解算方法 [J], 满小三;孙付平;叶险峰;丁赫;喻树5.主动立体视觉中一种新的图像匹配方法 [J], 潘淑杰;董守平;王红丽因版权原因，仅展示原文概要，查看原文内容请购买。
ANN-BP分类器设计（控制工程XXXXXXXXXX）1、问题表述对“data3.m”数据，用其中一半的数据采用ANN-BP算法设计分类器，另一半数据用于测试分类器性能。
二、方法描述神经网络(Neural Networks, NN)是由大量的、简单的处理单元（称为神经元）广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学系统。
神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学习能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。
BP 神经网络的标准学习过程：神经网络在外界输入样本的刺激下，不断改变网络的连接权值,以使网络的输出不断地接近期望的输出。
信号正向传播；若输出层的实际输出与期望的输出（教师信号）不符时，转入反向传播阶段；误差反传，误差以某种形式在各层表示——修正各层单元的权值；依次循环，直到网络输出的误差减少到可接受的程度或者进行到预先设定的学习次数为止。
BP神经网络的标准学习步骤：第一步，网络初始化给各连接权值分别赋一个区间（-1，1）内的随机数，设定误差函数e，给定计算精度值和最大学习次数M。
第二步,随机选取第k个输入样本及对应期望输出。
第三步，计算隐含层各神经元的输入和输出。
第四步，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数。
第五步，利用隐含层到输出层的连接权值、输出层的偏导数和隐含层的输出计算误差函数对隐含层各神经元的偏导数。
第六步，利用输出层各神经元的偏导数和隐含层各神经元的输出来修正连接权值。
第七步，利用隐含层各神经元的偏导数和输入层各神经元的输入修正连接权。
第八步，计算全局误差。
第九步，判断网络误差是否满足要求。
当误差达到预设精度或学习次数大于设定的最大次数，则结束算法。
否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习。
BP神经网络的特点：非线性映射能力：能学习和存贮大量输入-输出模式映射关系，而无需事先了解描述这种映射关系的数学方程。
