9、模式识别中的非参数与贝叶斯学习方法

模式识别中的非参数与贝叶斯学习方法

1. 非参数顺序分类实验结果与讨论

为了确定顺序排序程序在构建非参数顺序分类器中的有效性，进行了计算机模拟实验。实验内容是对手写英文字符“a”和“b”进行分类，假设每个类中模式的概率分布是非参数且未知的。

学习样本向量表示为 (x_a = [x_{1a}, x_{2a}, …, x_{60a}])，它通过对六十个字符“a”样本的估计均值向量得到。

计算机模拟分类过程的流程图如下：

graph TD;
    A[获取学习样本向量 X(l) = (x1, x2, ..., xn), l = 1, 2, ..., 18] --> B[读取待识别输入样本的连续测量值 Y(l) = (y1, y2, ..., yn), l = 1, 2, ..., 18];
    B --> C[形成 X(l) 和 Y(l) 的组合样本向量 V(k) = (v1, v2, ..., vk) = (x1, y1, ..., vr)];
    C --> D[获取 V(k) 的顺序排名向量 S(k) = (s1, s2, ..., si), k = 1, 2, ..., 36];
    D --> E[将 l 替换为 l + 1，k 替换为 k + 1];
    E --> F[使用公式(5.10)或(5.11)形成向量 A(k) = (A1, A2, ..., An)];
    F --> G{判断条件};
    G -- 是 --> H[决定字符];
    G -- 否 --> B;

为