1、七、Kmeans程序function y=my_Kmeans（k,mid）k=3;%类数mid=1 2 3; %随便给三个聚类中心%从文本文件读入数据放入X中load fisheriris;X=meas; %Iris测试数据集num=size（X,1）;%获得X维数大小for i=1:k Z（i,:）=X（mid（i）,:）;%获取k个聚类中心的初始坐标 end%计算新的聚类中心，K-均值算法的核心部分temp=;while（isequal（Z,temp） %聚类中心是否变化,若不变化则停止循环 temp=Z; class=cell（k,1）;%初始化类样本class value=cell（k
2、,1）;%初始化类样本的坐标value for j=1:num for t=1: D（t）=dist（X（j,:）,Z（t,:）%计算每个样本到类中心的距离 minu,index=min（D）;%求出离聚类中心最小的一个样本 end classindex=cat（1,classindex,j）;%将该样本归于一类 valueindex=cat（1,valueindex,X（j,:）;%存放该类样本的坐标 for i=1:k ）=mean（valuei）;%计算k类样本的均值，更新聚类中心celldisp（class）;%显示Kmeans聚类结果D %显示最终类间距离实验二 判别域代数界面方程法
3、通过实验加深对判别域代数界面方程法基本思想、方法的认识，了解线性判别函数的分类能力，熟练掌握感知器算法，或H-K算法，或累积势函数分类法，以及它们各自的适用条件，加深对有监督训练、线性可分、解空间、权空间等概念的理解，编写能对实际模式样本正确分类的算法程序。编写能对实际模式样本正确分类的感知器算法，或H-K算法，或累积势函数分类法的算法程序，能对实际模式样本进行正确分类。三、方法手段：设已知类别模式特征矢量集为x1,x2,xN，类别数为c。感知器算法是基于一次准则函数的梯度下降法。从任意初始解矢量w0出发，利用产生错分的样本对解矢量进行迭代校正：wk=wk-1+xi，i=1,2,c，k=0,1
4、,2，=常数，从而解得线性判决函数d（x）=wx的解矢量w.四、感知器算法1、算法思想校正方法实际上是最优化技术中的负梯度下降法。该算法也是人工神经网络理论中的线性阈值神经元的学习算法。2、算法原理步骤设给定一个增广的训练模式集，其中每个模式类别已知，它们分属类和类。 置步数，令增量某正的常数，分别赋给增广权矢量初值的各分量较小的任意值。 输入训练模式。 计算判别函数值 调整增广权矢量，规则是 如果和，则；（偏小，故加） 如果（偏大，故减） 如果，或（分类正确，不校正） 令如果，返至。，检验判别函数对是否都能正确分类。若是，结束；若不是，令如果训练模式已经符号规范化，即已乘以1（包括增广分量1
5、），则校正权矢量的规则可统一为 在用全部模式训练完一轮后只要还有模式被判错，则需要进行第二轮迭代，用全部训练模式再训练一次，建立新的权矢量。如果对训练模式还有错分的，则进行第三轮迭代，余类推，直至对所有训练模式均能正确分类为止，此时的即为所求的权矢量。五、感知器算法实验结果（1）改变权矢量初值，观察对算法的影响已知w1:X1=（0 0）,X2=（1 0）,X3=（1 1）,X4=（1 2）；w2:X5=（1 3）,X6=（2 3）,X7=（3 2）,X8=（3 3），若步长因子=1不变，权初始值取w=0 0 0,则需迭代eth0=15步，若权初始值取w=1 1 1，则需迭代eth0=18步，可
6、见，权初始值选取的不同，将直接导致算法的收敛速度不同。（2）改变步长因子，观察对算法的影响若权初始值取w=0 0 0不变，取步长因子=1，则需迭代eth0=15步，若取步长因子=0.1，则需迭代eth0=16步，可见，步长因子选取的不同，也将直接导致算法的收敛速度不同。（3）算法的适用性若已知w1:X1=（1 3）,X2=（2 3）,X3=（1 1）,X4=（1 2）；X5=（0 0）,X6=（1 0）,X7=（3 2）,X8=（3 3），则导致该程序死循环，可见，感知器算法只适用两类样本线性可分的条件下（图1），若希望在两类样本线性不可分的条件下，构造一判决平面，则可考虑使用势函数。图1 感
7、知器算法分类结果图2 线性不可分的情况六、实验程序function y=my_preception（W1,W2）%感知器算法，对两类问题生成线性判别函数%注意：前提是两类可线性判别，否则将死循环%W1=0 0;1 0;1 1;1 2;%w1类中的样本W2=1 3;2 3;3 2;3 3;%w2类中的样本%初始化w=0 0 0; %任取w初值c=1; %任取校正增量系数c=1；%感知器算法部分%增广样本w1和w2乘（-1）m,n=size（W1）;m W1（:,n+1）=1;%w1增广m,n=size（W2）; W2（:%w2增广W2=-W2;%取反%将增广向量转换成元组，便于处理M=ones（
8、1,m）;w1=mat2cell（W1,M,n+1）;w2=mat2cell（W2,M,n+1）;X=cat（1,w1,w2）;%合并两类增广样本%eth0=0; %迭代次数%感知器算法核心部分m,n=size（X）;temp1=;temp2=1;%随意两个赋不等的值while（isequal（temp1,temp2） %判断权值是否变换化，若不变化，则终止循环 eth0=eth0+1; temp2=temp1; clear temp1;%不清除此变量不行啊！ temp1i,1=w; if（w*XiPwx（2） w（j,1）=s;正常人 else w（j,2）=s;感染病人 pause;dis
9、p（=正常人 感染病人w%最小风险贝叶斯% 损失函数r=0 1000 0;200 0 0;%作条件风险曲线 R（i,:）=r（i,1）*pwx（1,:）+r（i,2）*pwx（2,:plot（x,R（1,:,x,R（2,:条件风险条件风险曲线% 计算给定生化化验值的条件风险 %计算后验概率 %计算条件风险,判断输出 Rx（i,:）=r（i,1）*Pwx（1）+r（i,2）*Pwx（2）;%条件风险 R（ai|x）= Rx plot（x,R（1,: plot（s,Rx（1）,s,Rx（2）, if Rx（1）Rx（2）实验四 特征提取与选择通过实验加深对特征提取与选择原理、方法的认识，编写基于离
10、散K-L变换的特征提取程序，或分支定界特征挑选算法程序，掌握离散K-L变换原理、特点。编写基于离散K-L变换的特征提取程序。 编写基于离散K-L变换的特征提取程序，主要使用主成分分析法（PCA）进行图像识别。设n维特征矢量x=（x1,x2,xn），其均值矢量m=Ex，协方差矩阵C=E（x-m）（x-m），设12n是C的本征值， ti是i对应的本征矢量，i=1,2,n. x经标准正交矩阵T=（t1,t2,tn）正交变换后成为矢量y=（y1,y2,yn），即，y = Tx。这种正交变换称为离散K-L变换（间记为DKLT）。DKLT的性质：（1）变换后y各分量正交或不相关；（2）变换后y各分量的方差更趋于不均匀，可分性强于x；（3）最佳逼近性，即，若用y的前dn个分量近似x，误差最小。当n较大时，由DKLT的性质（2），可以用y的
