基于Fisher准则线性分类器设计Word下载.docx
《基于Fisher准则线性分类器设计Word下载.docx》由会员分享,可在线阅读,更多相关《基于Fisher准则线性分类器设计Word下载.docx(16页珍藏版)》请在冰点文库上搜索。
也就是一个d维的向量。
向量
就就是使Fisher准则函数
达极大值的解,也就就是按Fisher准则将d维X空间投影到一维Y空间的最佳投影方向,该向量
的各分量值就是对原d维特征向量求加权与的权值。
以上讨论了线性判别函数加权向量W的确定方法,并讨论了使Fisher准则函数极大的d维向量
的计算方法,但就是判别函数中的另一项
尚未确定,一般可采用以下几种方法确定
如
或者
或当
已知时可用
……
当W0确定之后,则可按以下规则分类,
使用Fisher准则方法确定最佳线性分界面的方法就是一个著名的方法,尽管提出该方法的时间比较早,仍见有人使用。
五、实验内容
已知有两类数据
二者的概率已知
=0、6,
=0、4。
中数据点的坐标对应一一如下:
数据:
x1=
0、23311、52070、64990、77571、05241、1974
0、29080、25180、66820、56220、90230、1333
-0、54310、9407-0、21260、0507-0、08100、7315
0、33451、0650-0、02470、10430、31220、6655
0、58381、16531、26530、8137-0、33990、5152
0、7226-0、20150、4070-0、1717-1、0573-0、2099
x2=
2、33852、19461、67301、63651、78442、0155
2、06812、12132、47971、51181、96921、8340
1、87042、29481、77142、39391、56481、9329
2、20272、45681、75231、69912、48831、7259
2、04662、02262、37571、79872、08282、0798
1、94492、38012、23732、16141、92352、2604
x3=
0、53380、85141、08310、41641、11760、5536
0、60710、44390、49280、59011、09271、0756
1、00720、42720、43530、98690、48411、0992
1、02990、71271、01240、45760、85441、1275
0、77050、41291、00850、76760、84180、8784
0、97510、78400、41581、03150、75330、9548
数据点的对应的三维坐标为
1、40101、23012、08141、16551、37401、1829
1、76321、97392、41522、58902、84721、9539
1、25001、28641、26142、00712、18311、7909
1、33221、14661、70871、59202、93531、4664
2、93131、83491、83402、50962、71982、3148
2、03532、60301、23272、14651、56732、9414
1、02980、96110、91541、49010、82000、9399
1、14051、06780、80501、28891、46011、4334
0、70911、29421、37440、93871、22661、1833
0、87980、55920、51500、99830、91200、7126
1、28331、10291、26800、71401、24461、3392
1、18080、55031、47081、14350、76791、1288
0、62101、36560、54980、67080、89321、4342
0、95080、73240、57841、49431、09150、7644
1、21591、30491、14080、93980、61970、6603
1、39281、40840、69090、84000、53811、3729
0、77310、73191、34390、81420、95860、7379
0、75480、73930、67390、86511、36991、1458
数据的样本点分布如下图:
图1:
样本点分布图
六、实验要求
1)请把数据作为样本,根据Fisher选择投影方向
的原则,使原样本向量在该方向上的投影能兼顾类间分布尽可能分开,类内样本投影尽可能密集的要求,求出评价投影方向
的函数,并在图形表示出来。
并在实验报告中表示出来,并求使
取极大值的
。
用matlab完成Fisher线性分类器的设计,程序的语句要求有注释。
2)根据上述的结果并判断(1,1、5,0、6)(1、2,1、0,0、55),(2、0,0、9,0、68),(1、2,1、5,0、89),(0、23,2、33,1、43),属于哪个类别,并画出数据分类相应的结果图,要求画出其在
上的投影。
3)回答如下问题,分析一下
的比例因子对于Fisher判别函数没有影响的原因。
七、实验结果
1、源代码
x1=[0、23311、52070、64990、77571、05241、1974、、、
0、29080、25180、66820、56220、90230、1333、、、
-0、54310、9407-0、21260、0507-0、08100、7315、、、
0、33451、0650-0、02470、10430、31220、6655、、、
0、58381、16531、26530、8137-0、33990、5152、、、
0、7226-0、20150、4070-0、1717-1、0573-0、2099]'
;
y1=[2、33852、19461、67301、63651、78442、0155、、、
2、06812、12132、47971、51181、96921、8340、、、
1、87042、29481、77142、39391、56481、9329、、、
2、20272、45681、75231、69912、48831、7259、、、
2、04662、02262、37571、79872、08282、0798、、、
1、94492、38012、23732、16141、92352、2604]'
z1=[0、53380、85141、08310、41641、11760、5536、、、
0、60710、44390、49280、59011、09271、0756、、、
1、00720、42720、43530、98690、48411、0992、、、
1、02990、71271、01240、45760、85441、1275、、、
0、77050、41291、00850、76760、84180、8784、、、
0、97510、78400、41581、03150、75330、9548]'
%存储第一类点
x2=[1、40101、23012、08141、16551、37401、1829、、、
1、76321、97392、41522、58902、84721、9539、、、
1、25001、28641、26142、00712、18311、7909、、、
1、33221、14661、70871、59202、93531、4664、、、
2、93131、83491、83402、50962、71982、3148、、、
2、03532、60301、23272、14651、56732、9414]'
y2=[1、02980、96110、91541、49010、82000、9399、、、
1、14051、06780、80501、28891、46011、4334、、、
0、70911、29421、37440、93871、22661、1833、、、
0、87980、55920、51500、99830、91200、7126、、、
1、28331、10291、26800、71401、24461、3392、、、
1、18080、55031、47081、14350、76791、1288]'
z2=[0、62101、36560、54980、67080、89321、4342、、、
0、95080、73240、57841、49431、09150、7644、、、
1、21591、30491、14080、93980、61970、6603、、、
1、39281、40840、69090、84000、53811、3729、、、
0、77310、73191、34390、81420、95860、7379、、、
0、75480、73930、67390、86511、36991、1458]'
%存储第二类点
Pw1=0、6
Pw2=0、4
%求第一类点的均值向量m1
m1x=mean(x1(:
))%全部平均
m1y=mean(y1(:
m1z=mean(z1(:
m1=[m1x
m1y
m1z]
%求第二类点的均值向量m2
m2x=mean(x2(:
m2y=mean(y2(:
m2z=mean(z2(:
m2=[m2x
m2y
m2z]
%求第一类类内离散矩阵S1
S1=zeros(3,3)
fori=1:
36
S1=S1+([x1(i),y1(i),z1(i)]'
-m1)*([x1(i),y1(i),z1(i)]'
-m1)'
end
%求第二类类内离散矩阵S2
S2=zeros(3,3)
S2=S2+([x2(i),y2(i),z2(i)]'
-m2)*([x2(i),y2(i),z2(i)]'
-m2)'
%求总类内离散度矩阵Sw
Sw=S1+S2
%求向量W*
W=(inv(Sw))*(m1-m2)
%画出决策面
x=0:
、1:
2、5
y=0:
3
[X,Y]=meshgrid(x,y)
Z=(W
(1)*X+W
(2)*Y)/(-W(3))
mesh(X,Y,Z)
%保持
holdon
%透视决策面
hiddenoff
%求第一类样品的投影值均值
Y1=0
Y1=Y1+W'
*[x1(i),y1(i),z1(i)]'
M1=Y1/36
%求第二类样品的投影值均值
Y2=0
Y2=Y2+W'
*[x2(i),y2(i),z2(i)]'
M2=Y2/36
%选取阈值Y0
Y0=(M1+M2)/2+(log(Pw1)/log(Pw2))/70
%判定未知样品类别
X1=[1,1、5,0、6]'
ifW'
*X1>
Y0
disp('
点X1(1,1、5,0、6)属于第一类'
)
plot3(1,0、5,0、6,'
or'
else
点X1(1,1、5,0、6)属于第二类'
ob'
X2=[1、2,1、0,0、55]'
*X2>
点X2(1、2,1、0,0、55)属于第一类'
plot3(1、2,1、0,0、55,'
点X2(1、2,1、0,0、55)属于第二类'
X3=[2、0,0、9,0、68]'
*X3>
点X3(2、0,0、9,0、68)属于第一类'
plot3(2、0,0、9,0、68,'
点X3(2、0,0、9,0、68)属于第二类'
X4=[1、2,1、5,0、89]'
*X4>
点X4(1、2,1、5,0、89)属于第一类'
plot3(1、2,1、5,0、89,'
点X4(1、2,1、5,0、89)属于第二类'
X5=[0、23,2、33,1、43]'
*X5>
点X5(0、23,2、33,1、43)属于第一类'
plot3(0、23,2、33,1、43,'
点X5(0、23,2、33,1、43)属于第二类'
2、决策面
图2:
决策面(红色代表第一类,蓝色代表第二类)
3、参数
决策面向量
W=
-0、0798
0、2005
-0、0478
阈值
Y0=
0、1828
样本点分类
X1=
1、0000
1、5000
0、6000
点X1(1,1、5,0、6)属于第一类
X2=
1、2000
0、5500
点X2(1、2,1、0,0、55)属于第二类
X3=
2、0000
0、9000
0、6800
点X3(2、0,0、9,0、68)属于第二类
X4=
0、8900
点X4(1、2,1、5,0、89)属于第二类
X5=
0、2300
2、3300
1、4300
点X5(0、23,2、33,1、43)属于第一类
八、实验分析
1、比例因子
决策面向量W的比例因子并不影响判别函数。
分析如下:
阈值:
判别函数:
可以证明,Y0与WT有关,所以当改变WT时,判别函数两边同时改变,所以WT并不影响判别函数。
九、实验截图