§ 按概率距离判据的特征提取方法本节的可分性判据就是用各种方式来度量它们之间重迭的程度 3中国矿业大学 计算机科学与技术学院5散度为总的平均可分信息可表示成:如果两类协方差矩阵相等即 3212023是一标量因而13那末此时的X肯定可划分为ωi 而错误率为零由此可看出后验概率越集中错误概率就越小反之后验概率分布越平缓即接近均匀分布则分类错误概率就越大 (2) 如p(ωi x)=1(1<i<c)
§46基于Karhunen-Loeve变换的特征提取K-L变换又称主分量分析,是一种正交变换,K-L变换常用来作为数据压缩,这里我们用它作降维,学习这一节主要要掌握以下几个问题:1.什么是正交变换 2.K-L变换是一种最佳的正交变换,要弄清是什么意义的最佳,也就是说它最佳的定义。3.K-L变换的性质。 4.K-L变换的重要应用。 8/30/20231中国矿业大学 计算机科学与技术学院§461Kar
单击此处编辑母版标题样式单击此处编辑母版文本样式第二级第三级第四级第五级第二章 特征的提取与选择特征 模式的描述表示表达 样本特征的提取 特征的选择 1分类结果识别过程训练过程数据获取预处理特征提取选择分类器设计分类决策分类器参数特征提取与选择2 在分类器设计中都是在d维特征空间已经确定的前提下进行的因此讨论的分类器设计问题是一个选择什么准则使用什么方法将已确定的d维特征空间
#
#
单击此处编辑母版标题样式单击此处编辑母版文本样式第二级第三级第四级第五级IPL第六章 特征的选择与提取单击此处编辑母版标题样式单击此处编辑母版文本样式第二级第三级第四级第五级单击此处编辑母版标题样式单击此处编辑母版文本样式第二级第三级第四级第五级单击此处编辑母版标题样式单击此处编辑母版文本样式第二级第三级第四级第五级模式识别与神经网络Pattern Recognition and Neural N
§3协方差及相关系数例1消除这种外加的影响,引入相关系数:例2说明X与Y之间没有线性关系并不表示它们之间没有关系。对于随机变量X , Y下 列事实等价:定理:若X,Y独立,则X,Y不相关。证明:由数学期望的性质有E(X-EX)(Y-EY)=E(X-EX)E(Y-EY) 又 E(X-EX)=0, E(Y-EY)=0 所以 E(X-EX)(Y-EY)=0。 即COV(X,Y)=0§4矩协方差矩阵假设以下期望都存在:例1解:
43 激光束的变换绝大多数激光器发出的光束,为满足特定的实验需求,在投入使用之前,都要在谐振腔外部,通过一定的光学系统变换成所需要的形式。34节表明,高斯光束在自由空间中的传播特性与球面波不同,通过光学系统时,仍有和球面波不同的传输特性。本节将讨论高斯光束的变换特性,具体地说,就是研究高斯光束的聚焦、扩束和准直。这些问题在实际中经常遇到。例如,激光打孔需要对激光光束进行聚焦,全息摄影需要将激光进行
从而 在一定程度上反映了二维随机变量(XY)中的分量X与Y 的某种相互关系 Cov(X X) = D(X) Cov(X Y) = Cov(Y X) Cov( aX bY ) = ab Cov(X Y) a b 是常数 Cov(X1X2 Y)= Cov(X1 Y) Cov(X2 Y) 补充: Cov(X a )=0
INSTITUT NATIONAL D
违法有害信息,请在下方选择原因提交举报