模式识别-第4章概率密度函数的非参数估计讲述.pptx

模式识别-第4章概率密度函数的非参数估计讲述.pptx

  1. 1、本文档共45页,可阅读全部内容。
  2. 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
模式识别-第4章概率密度函数的非参数估计讲述

第四章 概率密度函数的非参数估计 4.1 基本思想 4.1 基本思想 令R是包含样本点x的一个区域,其体积为V,设有n个训练样本,其中有k个落在区域R中,则可对概率密度作出一个估计: 相当于用R区域内的平均性质来作为一点x的估计,是一种数据的平滑。 有效性 当n固定时,V的大小对估计的效果影响很大,过大则平滑过多,不够精确;过小则可能导致在此区域内无样本点,k=0。 此方法的有效性取决于样本数量的多少,以及区域体积选择的合适。 收敛性 构造一系列包含x的区域R1, R2, …,对应n=1,2,…,则对p(x)有一系列的估计: 当满足下列条件时,pn(x)收敛于p (x): 区域选定的两个途径 Parzen窗法:区域体积V是样本数n的函数,如: K-近邻法:落在区域内的样本数k是总样本数n的函数,如: Parzen窗法和K-近邻法 4.2 Parzen窗方法 定义窗函数 1维数据的窗函数 概率密度函数的估计 超立方体中的样本数: 概率密度估计: 窗函数的要求 上述过程是一个内插过程,样本xi距离x越近,对概率密度估计的贡献越大,越远贡献越小。 只要满足如下条件,就可以作为窗函数: 窗函数的形式 方形窗和高斯窗 方形窗函数 高斯窗函数 窗函数的宽度对估计的影响 hn为窗的宽度 hn=5 hn=1 hn=2 hn=0.5 识别方法 保存每个类别所有的训练样本; 选择窗函数的形式,根据训练样本数n选择窗函数的宽度h; 识别时,利用每个类别的训练样本计算待识别样本x的类条件概率密度: 采用Bayes判别准则进行分类。 Parzen窗的神经网络实现 神经元模型 简化神经元模型 Parzen窗函数的神经元表示 窗函数取Gauss函数,所有的样本归一化,令神经元的权值等于训练样本,即: 则有: 概率神经网络(PNN, Probabilistic Neural Network) PNN的训练算法 begin initialize j = 0; n =训练样本数,aji=0 do j ?j + 1 normalize : train : wj?xj if then aji?1 until j = n PNN分类算法 begin initialize k = 0; x ?待识模式 do k ? k + 1 if aki = 1 then until k = n return end 径向基函数网络(RBF, Radial Basis Function) RBF与PNN的差异 神经元数量:PNN模式层神经元数等于训练样本数,而RBF小于等于训练样本数; 权重:PNN模式层到类别层的连接权值恒为1,而RBF的需要训练; 学习方法:PNN的训练过程简单,只需一步设置即可,而RBF一般需要反复迭代训练; 径向基函数网络的训练 RBF的训练的三种方法: 根据经验选择每个模式层神经元的权值wi以及映射函数的宽度σ,用最小二乘法计算模式层到类别层的权值; 用聚类的方法设置模式层每个神经元的权值wi以及映射函数的宽度σ,用最小二乘法计算模式层到类别层的权值; 通过训练样本用误差纠正算法迭代计算各层神经元的权值,以及模式层神经元的宽度σ; 4.3 近邻分类器 后验概率的估计 Parzen窗法估计的是每个类别的类条件概率密度 ,而k-近邻法是直接估计每个类别的后验概率 。 将一个体积为V的区域放到待识样本点x周围,包含k个训练样本点,其中ki个属于ωi类,总的训练样本数为n,则有: k-近邻分类器 k-近邻分类算法 设置参数k,输入待识别样本x; 计算x与每个训练样本的距离; 选取距离最小的前k个样本,统计其中包含各个类别的样本数ki; k-近邻分类,k=13 最近邻规则 分类规则:在训练样本集中寻找与待识别样本x距离最近的样本x,将x分类到x所属的类别。 最近邻规则相当于k=1的k-近邻分类,其分类界面可以用Voronoi网格表示。 Voronoi网格 距离度量 距离度量应满足如下四个性质: 非负性: 自反性: 当且仅当 对称性: 三角不等式: 常用的距离函数 欧几里德距离:(Eucidean Distance) 常用的距离函数 街市距离:(Manhattan Distance) 常用的距离函数 明氏距离:(Minkowski Distance) 常用的距离函数 马氏距离:(Mahalanobis Distance) 常用的距离函数 角度相似函数:(Angle Distance) 常用的距离函数 海明距离:(Hamming Distance) x

文档评论(0)

shuwkb + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档