千文網(wǎng)小編為你整理了多篇相關(guān)的《模式識別課程報(bào)告(大全)》，但愿對你工作學(xué)習(xí)有幫助，當(dāng)然你在千文網(wǎng)還可以找到更多《模式識別課程報(bào)告(大全)》。
第一篇：模式識別報(bào)告格式
模式識別報(bào)告格式
一、封皮的填寫：實(shí)驗(yàn)課程名稱 模式識別
二、實(shí)驗(yàn)名稱：按順序填寫圖像的貝葉斯分類、K均值聚類算法、神經(jīng)網(wǎng)絡(luò)模式識別
三、年月：2013年4月
四、紙張要求：統(tǒng)一采用A4大小紙張，左側(cè)裝訂，裝訂順序與實(shí)驗(yàn)順序一致。
五、書寫要求：
1、報(bào)告可以手寫也可以打印。
2、實(shí)驗(yàn)圖像及結(jié)果圖像打印，圖像均位于實(shí)驗(yàn)結(jié)果與分析部分，圖像打印于紙張上部，下部為實(shí)驗(yàn)分析。
3、報(bào)告中圖要有圖序及名稱，表要有表序及名稱，每個實(shí)驗(yàn)的圖序和表序單獨(dú)標(biāo)號，具體格式參照畢業(yè)設(shè)計(jì)手冊。不合格者扣除相應(yīng)分?jǐn)?shù)。
4、每個實(shí)驗(yàn)均需另起一頁書寫。
六、關(guān)于雷同報(bào)告：報(bào)告上交后，如有雷同，則課程考核以不及格處理，不再另行通知修改。
實(shí)驗(yàn)
一、圖像的貝葉斯分類
一、實(shí)驗(yàn)?zāi)康膶⒛Ｊ阶R別方法與圖像處理技術(shù)相結(jié)合，掌握利用最小錯分概率貝葉斯分類器進(jìn)行圖像分類的基本方法，通過實(shí)驗(yàn)加深對基本概念的理解。
二、實(shí)驗(yàn)儀器設(shè)備及軟件
HP D538、MATLAB
三、實(shí)驗(yàn)原理
以自己的語言結(jié)合課堂筆記進(jìn)行總結(jié)，要求過程推導(dǎo)清晰明了。
四、實(shí)驗(yàn)步驟及程序
實(shí)驗(yàn)步驟、程序流程、實(shí)驗(yàn)源程序齊全。
五、實(shí)驗(yàn)結(jié)果與分析
要求寫明實(shí)驗(yàn)得到的分割閾值，附分割效果圖。對實(shí)驗(yàn)結(jié)果進(jìn)行分析，說明實(shí)驗(yàn)結(jié)果好或者不好的原因，提出改進(jìn)措施。
（另起一頁）
實(shí)驗(yàn)
二、K均值聚類算法
一、實(shí)驗(yàn)?zāi)康膶⒛Ｊ阶R別方法與圖像處理技術(shù)相結(jié)合，掌握利用K均值聚類算法進(jìn)行圖像分類的基本方法，通過實(shí)驗(yàn)加深對基本概念的理解。
二、實(shí)驗(yàn)儀器設(shè)備及軟件
HP D538、MATLAB、WIT
三、實(shí)驗(yàn)原理
以自己的語言結(jié)合課堂筆記進(jìn)行總結(jié)，要求過程推導(dǎo)清晰明了。
四、實(shí)驗(yàn)步驟及程序
實(shí)驗(yàn)步驟、程序流程、MATLAB及WIT實(shí)驗(yàn)源程序齊全，WIT聚類程序可以圖像形式
附于報(bào)告上。
五、實(shí)驗(yàn)結(jié)果與分析
以MATLAB和WIT分別實(shí)現(xiàn)K均值圖像聚類算法，寫明聚類類別數(shù)、聚類中心、迭代次數(shù)、運(yùn)行時間，附原始圖像和分類結(jié)果圖像，并做實(shí)驗(yàn)分析。
（另起一頁）
實(shí)驗(yàn)
三、神經(jīng)網(wǎng)絡(luò)模式識別
一、實(shí)驗(yàn)?zāi)康恼莆绽酶兄骱虰P網(wǎng)進(jìn)行模式識別的基本方法，通過實(shí)驗(yàn)加深對基本概念的理解。
二、實(shí)驗(yàn)儀器設(shè)備及軟件
HP D538、MATLAB
三、實(shí)驗(yàn)原理
以自己的語言結(jié)合課堂筆記及相關(guān)資料進(jìn)行總結(jié)，要求過程推導(dǎo)清晰明了。
四、實(shí)驗(yàn)步驟及程序
感知器實(shí)驗(yàn)：
1、設(shè)計(jì)線性可分實(shí)驗(yàn)，要求訓(xùn)練樣本10個以上
2、奇異樣本對網(wǎng)絡(luò)訓(xùn)練的影響
3、以線性不可分樣本集訓(xùn)練分類器
BP網(wǎng)實(shí)驗(yàn)：利用BP網(wǎng)對上述線性不可分樣本集進(jìn)行分類
五、實(shí)驗(yàn)結(jié)果與分析
寫明迭代次數(shù)、訓(xùn)練時間，附分類界面效果圖，并討論奇異樣本對分類器訓(xùn)練的影響。
第二篇：模式識別課程報(bào)告
模式識別文獻(xiàn)綜述報(bào)告
一，文獻(xiàn)綜述報(bào)告
閱讀至少5篇論文（最好包含1篇英文論文；自己去學(xué)校電子圖書館下載，考慮中國知網(wǎng)；IEEE，Elsevier等數(shù)據(jù)庫），寫一篇文獻(xiàn)綜述報(bào)告。
1.選題不限，可以是任何一種模式識別算法（例如k-means，kNN，bayes，SVM，PCA，LDA等），閱讀所選題方面的相關(guān)文獻(xiàn)（論文都是關(guān)于一個主題的，例如都是svm算法方面的）。
2.寫一份文獻(xiàn)綜述報(bào)告，包括：每篇論文主要使用什么算法實(shí)現(xiàn)什么，論文有沒有對算法做出改進(jìn)（為什么改進(jìn)，原算法存在什么問題，改進(jìn)方法是什么），論文中做了什么對比試驗(yàn)，實(shí)驗(yàn)結(jié)論是什么？注意，盡量用自己的話總結(jié)，不要照抄原文?？梢约尤胱约旱姆治龊拖敕ǎ邕@篇論文還存在什么問題或者缺點(diǎn)，這篇論文所作出的改進(jìn)策略是否好，你自己對算法有沒有什么改進(jìn)的想法？
3.把閱讀的參考文獻(xiàn)寫在報(bào)告后面。（包括：作者；論文名稱；期刊名稱；出版年，卷號（期號），頁碼。例如：[1] 趙銀娣，張良培，李平湘，一種紋理特征融合分類算法，武漢大學(xué)學(xué)報(bào)，信息科學(xué)版，2006,31(3):278-281.）
二、寫一下學(xué)習(xí)這門課的心得體會（占分?jǐn)?shù)）。
學(xué)習(xí)這門課有什么收獲？老師在教學(xué)中還應(yīng)該加入些什么教學(xué)內(nèi)容？或者有哪些教學(xué)內(nèi)容需要刪減？需要調(diào)整？對于作業(yè)（上機(jī)實(shí)驗(yàn)）內(nèi)容有什么意見和建議？目前內(nèi)容過多過難還是適中？你希望出什么樣的上機(jī)題目（可以得到好的鍛煉和能力的提高）？完成作業(yè)過程中有什么收獲和體會？有沒有對模式識別或者某種模式識別的算法比較感興趣？有什么想法？
第三篇：模式識別總結(jié)
監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)的區(qū)別：
監(jiān)督學(xué)習(xí)方法用來對數(shù)據(jù)實(shí)現(xiàn)分類，分類規(guī)則通過訓(xùn)練獲得。該訓(xùn)練集由帶分類號的數(shù)據(jù)集組成，因此監(jiān)督學(xué)習(xí)方法的訓(xùn)練過程是離線的。
非監(jiān)督學(xué)習(xí)方法不需要單獨(dú)的離線訓(xùn)練過程，也沒有帶分類號（標(biāo)號）的訓(xùn)練數(shù)據(jù)集，一般用來對數(shù)據(jù)集進(jìn)行分析，如聚類，確定其分布的主分量等。
（實(shí)例：道路圖）就道路圖像的分割而言，監(jiān)督學(xué)習(xí)方法則先在訓(xùn)練用圖像中獲取道路象素與非道路象素集，進(jìn)行分類器設(shè)計(jì)，然后用所設(shè)計(jì)的分類器對道路圖像進(jìn)行分割。
使用非監(jiān)督學(xué)習(xí)方法，則依據(jù)道路路面象素與非道路象素之間的聚類分析進(jìn)行聚類運(yùn)算，以實(shí)現(xiàn)道路圖像的分割。
1、寫出K-均值聚類算法的基本步驟, 算法：
第一步：選K個初始聚類中心，z1(1)，z2(1)，…，zK(1)，其中括號內(nèi)的序號為尋找聚類中心的迭代運(yùn)算的次序號。聚類中心的向量值可任意設(shè)定，例如可選開始的K個模式樣本的向量值作為初始聚類中心。第二步：逐個將需分類的模式樣本{x}按最小距離準(zhǔn)則分配給K個聚類中心中的某一個zj(1)。假設(shè)i=j時，Dj(k)?min{x?zi(k),i?1,2,?K}，則x?Sj(k)，其中k為迭代運(yùn)算的次序號，第一次迭代k=1，Sj表示第j個聚類，其聚類中心為zj。第三步：計(jì)算各個聚類中心的新的向量值，zj(k+1)，j=1,2,…,K zj(k?1)?1Njx?Sj(k)?x,j?1,2,?,K 求各聚類域中所包含樣本的均值向量：
其中Nj為第j個聚類域Sj中所包含的樣本個數(shù)。以均值向量作為新的聚類中心，Jj?x?Sj(k)?x?zj(k?1),2j?1,2,?,K可使如下聚類準(zhǔn)則函數(shù)最?。?/p>
在這一步中要分別計(jì)算K個聚類中的樣本均值向量，所以稱之為K-均值算法。第四步：若zj(k若zj(k ?1)?zj(k)，j=1,2,…,K，則返回第二步，將模式樣本逐個重新分類，重復(fù)迭代運(yùn)算；
?1)?zj(k)，j=1,2,…,K，則算法收斂，計(jì)算結(jié)束。
T線性分類器三種最優(yōu)準(zhǔn)則：
wSFisher準(zhǔn)則：maxJ(w)?wSwFTbwww.xiexiebang.com>>n）的條件下，可以使用分支定界法以減少計(jì)
m算量。
15、散度Jij越大，說明?i類模式與?j類模式的分布（差別越大）；當(dāng)?i類模式與?j類模式的分布相同時，Jij=（0）。
16、影響聚類算法結(jié)果的主要因素有（②分類準(zhǔn)則 ③特征選取 ④模式相似性測度。）。
19、模式識別中，馬式距離較之于歐式距離的優(yōu)點(diǎn)是（③尺度不變性 ④考慮了模式的分布）。20、基于二次準(zhǔn)則函數(shù)的H-K算法較之于感知器算法的優(yōu)點(diǎn)是（①可以判別問題是否線性可分 ③其解的適應(yīng)性更好）。
21、影響基本C均值算法的主要因素有（④初始類心的選取 ①樣本輸入順序 ②模式相似性測度）。
22、位勢函數(shù)法的積累勢函數(shù)K(x)的作用相當(dāng)于Bayes判決中的（②后驗(yàn)概率 ④類概率密度與先驗(yàn)概率的乘積）。
23、統(tǒng)計(jì)模式分類問題中，當(dāng)先驗(yàn)概率未知時，可使用（②最小最大損失準(zhǔn)則 ④N-P判決）
24、在（①Cn>>n,（n為原特征個數(shù)，d為要選出的特征個數(shù)）③選用的可分性判據(jù)J對特征數(shù)目單調(diào)不減）情況下，用分支定界法做特征選擇計(jì)算量相對較少。
25、散度JD是根據(jù)（③類概率密度）構(gòu)造的可分性判據(jù)。
26、似然函數(shù)的概型已知且為單峰，則可用（①矩估計(jì)②最大似然估計(jì)③Bayes估計(jì) ④Bayes學(xué)習(xí)⑤Parzen窗法）估計(jì)該似然函數(shù)。
27、Kn近鄰元法較之Parzen窗法的優(yōu)點(diǎn)是（②穩(wěn)定性較好）。
28、從分類的角度講，用DKLT做特征提取主要利用了DKLT的性質(zhì)：（①變換產(chǎn)生的新分量正交或不相關(guān)③使變換后的矢量能量更趨集中）。
29、一般，剪輯k-NN最近鄰方法在（①樣本數(shù)較大）的情況下效果較好。d29、如果以特征向量的相關(guān)系數(shù)作為模式相似性測度，則影響聚類算法結(jié)果的主要因素有（②分類準(zhǔn)則 ③特征選?。?。30、假設(shè)在某個地區(qū)細(xì)胞識別中正常（w1）和異常（w2）兩類先驗(yàn)概率分別為 P(w1)=0.9，P(w2)=0.1，現(xiàn)有一待識別的細(xì)胞，其觀察值為x，從類條件概率密度分布曲線上查得P(xw1)?0.2，P(xw2)?0.4，并且已知?11?0，?12?6，?21?1，?22?0
試對該細(xì)胞x用一下兩種方法進(jìn)行分類： 1.基于最小錯誤率的貝葉斯決策； 2.基于最小風(fēng)險(xiǎn)的貝葉斯決策； 請分析兩種結(jié)果的異同及原因。
