最邻近模板匹配法.docx

报告提交日期
2013 年 6 月 27
报告批改日期
2013年 月
最邻近模板匹配法
实验内容：
在模式识别中一个最基本的方法， 就是模板匹配法(template matching),它基本上是一种统计识别方后低年级的教学安排中，能早一点多学点相关的软件基础， 平时老师能给我们学生一部分相关的作业作为练习。之后能细致的讲解和辅导。当然，我们自己也应该更 加努力课下阅读学习相关的书籍知识。

杨淑莹，《图像模式识别》，清华大学出版社，2005年第一版
Bayes分类器 最小错误概率的 Bayes方法
.实验目的：
.对模式识别有一个初步的理解，能够根据自己的设计对贝叶斯决策理论算法有一个深刻地 认识；
.理解二类分类器的设计原理。
.实验条件
pc机一台，vs2008软件
.实验原理
.目标:
计算
的I。
分析:
由于数据t是一个新的数据， ‘二/|）无法在训练数据集中统计出来。因此需要转换。根据概率论中
的贝叶斯定理
式用期二
其现5
TO
将”） 的计算转换为:
咐|。二
(1)
其中，表示类G在整个数据空间中的出现概率，可以在训练集中统计出来（即用
G在训练数据
集中出现的频率F（c，来作为概率。但①1卬和Mt）仍然不能统计出来。
首先，对于
网4 CP,它表示在类
中出现数据t的概率。根据“属性独立性假设”
,即对于属于类
g的所有数据,
它们个各属性出现某个值的概率是相互独立的。如，判断一个干部是否是“好干部”（分
类）时，其属性“生活作风=好”的概率（p（生活作风=好好干部））与“工作态度=好”的概率（p（工作 态度=好好干部））是独立的，没有潜在的相互关联。换句话说，一个好干部，其生活作风的好坏与其工作 态度的好坏完全无关。我们知道这并不能反映真实的情况，因而说是一种“假设”。使用该假设来分类的 方法称为“朴素贝叶斯分类”。
c
根据上述假设，类 中出现数据t的概率等于其中出现 t的各属性值的概率的乘积。即:
即卬=np（4c）
（2）
其中，4是数据t的第k个属性值。
其次，对于公式（1）中的汽0,即数据t在整个数据空间中出现的概率，等于它在各分类中出现概率
的总和，即：
汽£）=工小G）
⑶
其中，各以4卬的计算就采用公式（2）。
这样，将（2）代入（1）,并综合公式（3）后，我们得到:
刑匕AlPUIG)
(4)
.其中:
公式（4）就是我们最终用于判断数据 t分类的方法。其依赖的条件是：从训练数据中统计出
和股）
当我们用这种方法判断一个数据的分类时，用公式（ 4）计算它属于各分类的概率，再取其中概率最大
■为分类的结果・
.文本分类的具体方法
文本分类中，数据是指代表一篇文本的一个向量。向量的各维代表一个关键字的权重。训练文本中, 每个数据还附带一个文本的分类编码。对此我们有两个方面的工作：
（1）分类器学习：即从训练数据集中统计
N川夕和邓》并保存起来。（保存到-个数据文件
中，可以再次加载）。在分类器的程序中，需要有表达和保存这些概率数据的变量或对象。
（2）分类识别：从一个测试文档中读取其中的测试数据项，识别他们的分类，并输出到一个文件中。
时会遇到麻烦：新数据的 4
但文本分类有一个特殊情况： 各属性的值不是标准值， 不像“性别”这样的属性。因此在查找电।夕
值可能在训练数据中从未出现过。这个问题的另一方面是：训练数据中各属性
（分别对应一个关键词）的值太分散，几乎不可能出现某个关键词在多篇文章中的权重相同的情况。这样,
珀ICJ
太多、太分散，没有统计上的意义。
这一问题的处理方法是：将各关键词的权重分段：即将权重的值域分成几个段，每段取其中数值的平
均值作为其标准值。第一种方法是，直接对所有训练数据的属性值进行分段，如对第 k个属性，将其值域
分为（0〜）, （〜），…，（〜1）,各段分别编号为 0,1，…9。一个数据的该属性值为 ,则重设该属性
值为它所处的分段编号，即
k个属性，将其值域分为 （0〜）,
另一种方法同样进行分段，但分段后计算各段的平均值作为各段的标准值。根据具体数据相应属性的 值与各分段标准值的接近程度，重新设置数据该属性的值。如对第
（〜）,…，（〜1），假设（〜）, （〜）,而一个数据的该属性值
,则该数据的该属性值与 ，应该重设为 。这就是我们要采用的方法。
下一个问题是，以什么作为分段标准？如果按平