1、1、 提綱：第1、2、3、4、5、7、8章所學內容2、 題型：一、 填空題1. 模式識別系統主要由四個部分組成，即：1數據獲取 2預處理 3特征提取和選擇4 分類決策。2. 貝葉斯決策最常用的準則 (1)最小錯誤率準則 (2)最小風險準則3. 請寫出樣本x和均值u之間的歐式距離 ，以及馬式距離為 開根號 3. 名詞解釋(先英文全拼，后中文解釋，6分)：PCA：Principal Component Analysis, 主成分分析. NN：Neural Networks, 神經網絡. PR：Pattern Recognition ,模式識別4. 根據平方誤差準則函數，其最小二乘近似解（MSE解）

2、為 5. 估計量的評價標準 1 無偏性 , 2_有效性_3_一致性_。 二、 簡述題1. 試結合K-L變換簡述人臉識別的過程。 書223 答： 1.從給定樣本集中選取訓練集，訓練集的大小可選，但直接影響識別的正確率。 2.根據生產矩陣E(x-) (x-)T計算出特征臉。為了簡化計算，這里用到奇異 值分解，其基本原理是通過計算較低矩陣的特征值和特征向量而間接求出較高 維矩陣的特征向量（特征臉）。 3.求出訓練集中各圖像在特征臉空間中的坐標。 4.通過將待識別樣本f投影到特征臉子空間求出其系數向量然重建圖像最后考 慮圖像的信噪比，若小于閾值則可判斷f不是人臉圖像。2. 單層感知器和多層感知器神經網

3、絡的主要缺陷分別是什么？BP算法的基本思想是什么，存在哪些不足？書254 答：單層感知器缺陷：無法解決異或問題，不具備非線性分類能力。 多層感知器缺陷：對于一些識別中需要有可靠的拒絕的情況（如身份確定），多 層感知器神經網絡無法勝任。 BP算法其主要思想：從后向前（反向）逐層傳播輸出層的誤差，以間接算出 隱層誤差。 BP算法缺陷：1.有可能陷入局部極小值點，不能保證收斂到全局極小值點。 2.訓練次數多使得學習效率低下，收斂速度慢。 3.隱節點的選取缺乏理論標準。 4.訓練時學習新樣本有遺忘舊樣本的趨勢。3. 試寫出兩類問題的線性判別函數，并說明函數中各個變量的意義。書84 答：兩類問題的線性判

4、別函數： x是樣本向量，即樣本在d維特征空間中的描述， w是權向量，分別表示為： w0是一個常數(閾值權)。4. 請簡述徑向基神經網絡和非線性支持向量機的基本思想。ppt prnn5-3-SVM P33 答：RBF網絡的基本思想 ： 1.用RBF作為隱單元的“基”構成隱含層空間，將輸入矢量直接(即不需要通 過權連接)映射到隱空間 2. 2.當RBF的中心點確定后，映射關系也就確定 3.隱含層空間到輸出空間的映射是線性的非線性支持向量機的基本思想：選擇非線性映射(X)將x映射到高維特征空間 Z，在Z中構造最優超平面 課本上：首先通過非線性變換將輸入空間變換到一個高維空間，然后在這個 新空間中求取

5、最優線性分類面，而這種非線性變換是通過定義適當的內積 函數實現的。5. 請說明BP算法的基本流程 ppt 5-2 p77 答：(1)初始化； (2)輸入訓練樣本對X<=Xp，d<=dp計算各層輸出； (3)計算網絡輸出誤差； (4)計算各層誤差信號； (5)調整各層權值； (6)檢查是否對所有樣本完成一次輪訓； (7)檢查網絡總誤差是否達到精度要求。 流程圖：見最后6. 監督與非監督模式識別的區別 ppt 7 p5 答：監督學習方法必須要有訓練集與測試樣本。在訓練集中找規律，而對測試樣本 使用這種規律；而非監督學習只有一組數據，在該組數據集內尋找規律；監督 學習方法的目的是識別事物

6、，給待識別數據加上標號(label)。因此訓練樣本集 必須由帶標號的樣本組成。而非監督學習方法只有要分析的數據集本身，沒有 標號。如果發現數據集呈現某種聚集性，則可按自然的聚集性分類，但不以與 某種預先的分類標號對上號為目的；與監督模式識別相比，非監督模式識別問 題中存在更大的不確定性。三、 計算題1 醫生要根據病人血液中白細胞的濃度來判斷病人是否患血液病，根據醫學知識和以 往的經驗，醫生知道：患病的人，白細胞的濃度服從均值2000，標準差1000的正態分布；未患病的人，白細胞的濃度服從均值7000，標準差3000的正態分布，一般人群中，患病的人數比例為0.5%。一個人的白細胞濃度是3100，

7、試用Bayes決策方法來判斷這個是否患血液病。（10分） ppt prnn2 第51頁答：數學表示：Ø 用表示“類別”這一隨機變量，1表示患病， 2表示正常；Ø x表示“白細胞濃度”這個隨機變量。本例醫生掌握的知識非常充分，包括： 1) 類別的先驗分布：P(1) = 0.5%，P(2) = 99.5% 先驗分布：沒有獲得觀測數據（病人白細胞濃度）之前，已知的關于類別的分布（某 類事物出現的比例）。 2) 觀測數據白細胞濃度分別在兩種情況下的類條件分布： P(x|1) N(2000,10002) P(x|2) N(7000,30002)樣本觀測值： x =3100 P(310

8、0|1) = 2.1785e-004, P(3100|2) = 5.7123e-005計算后驗概率:P(1|3100)=1.9%, P(2|3100)=98.1% 醫生的判斷：正常2 用最大似然估計法以數據樣本估計一元正態分布函數中 ppt prnn3 p22 課本p54-55 （這題解的符號大家自己調整啊 我是直接貼得ppt上的）的參數，。（10分）答： 代入前式，得 代入前式，得3 寫出Fisher判別函數的準則是，并利用拉格朗日乘子計算滿足其準則的最佳投影向量 ppt prnn4 p22 書p89 答：Fisher判別函數的準則是：使原樣本向量在投影方向上的投影能兼顧類間分布盡可能分開，類內盡可能密集的要求。 對Fisher準則函數 4 已知多層感知器(或BP神經網絡)的網絡結構和權值，請分析輸入(x1,x2)和輸出(O)之間的邏輯關系，并做出真值表 ppt 5-2ANN p79 5 已知一個樣本集的