yuyaweibest的博客

摘要：本次实验的第一部分是计算三类样本中每一类样本的均值矢量和协方差矩阵（假设每一类均为正态分布），编写计算马氏距离函数，用不同的颜色在一个图上分别画出这三个类在马氏距离分别为D=1、2、3时的图形，并且为这三个类别的分类设计一个最小马氏距离分类器。第二部分是编写最小马氏距离分类器、最小欧氏距离分类器和贝叶斯分类器函数，分别对四个测试点进行分类，并对分类结果进行对比分析

本次实验的主要内容是编程实现一个可以对两类模式样本进行分类的贝叶斯分类器，其中假设两个模式类的条件概率分布均为高斯分布。本次实验自定义一个函数self_mvnrnd(varargin) ，输入8个参数，其中，参数1，2，3，4分别为一类模式样本的均值矢量，协方差矩阵，样本数，先验概率，参数5，6，7，8分别为另一类模式样本的均值矢量，协方差矩阵，样本数，先验概率。最后，调用self_mvnrnd函数。

本次实验的主要目的是学习模式类实验数据的生成。本次实验第一部分通过调用自己编写的varlist函数，输入不同参数，可以产生自定义数量的一维，二维，三维随机点，绘制出对应的散点图。第二部分绘制了随机数的直方图，随机矢量二维散点图和三维散点图以及三组二维投影散点图。第三部分利用meshgrid函数生成一个二维网格，利用mvnpdf函数计算在每个网格点上的概率密度函数值，并绘制三维曲面图

本次实验分为两部分，第一部分：利用PCA，通过自定义函数PCA_two(MU,SIGMA,N)进行特征空间的规整化。第二部分：利用PCA，通过自定义函数PCA_three(MU,SIGMA,N)进行特征空间降维。PCA方法是一种处理数据过多维数的方法，它的目的是寻找在最小均方意义下最能代表原始数据的投影方法。经过本次实验，了解了PCA主分量分析的基本概念，学习和掌握了PCA主分